Modeling Dwell Time for Streetcars in Melbourne, Australia, and Toronto, Canada
Notice bibliographique
Résumé
Previous research indicates that dwell time is a major factor influencing transit competitiveness. Streetcars have particularly uncompetitive running times, but no research has explored influences on streetcar dwell time. There is also no analytical research on dwell time effects of stop design despite anecdotal evidence showing that platform stops have reduced streetcar dwell time. This paper presents an empirical study of factors affecting dwell time on streetcars in Melbourne, Australia, and Toronto, Canada. It focuses on tram stop design. Results show that payment of fares to drivers on entry in Toronto increases dwell time compared with onboard self-ticket validation in Melbourne (β = .26). For a typical case of 10 passengers boarding and five alighting, the Melbourne approach saves 9.4 s (48%) of dwell time compared with Toronto. Tram stop design, notably platform stops, was the next most significant factor affecting streetcar dwell time (β = -.18). For a typical case of 10 passengers boarding and five alighting, platform stops reduce dwell time by 6.6 s or 25%. A positive link between the number of doors on trams and dwell time was found; however, this is thought to result from insufficient examples of high boarding numbers on four-door trams. The results suggest that off-vehicle or postboarding ticket purchase and validation are significant strategies for reducing dwell time. Providing platform stops is also a potential strategy for reducing dwell time. Areas for future research are suggested.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».