Spatial modeling of bicycle activity at signalized intersections Jillian Strauss, Luis F Miranda-M
Notice bibliographique
Résumé
This paper presents a methodology to investigate the link between bicycle activity and built environment, road and transit network characteristics, and bicycle facilities while also accounting for spatial autocorrelation between intersections. The methodology includes the normalization of manual cyclist counts to average seasonal daily volumes (ASDV), taking into account temporal variations and using hourly, daily, and monthly expansion factors obtained from automatic bicycle count data. To correct for weather conditions, two approaches were used. In the first approach, a relative weather ridership model was generated using the automatic bicycle count and weather data. In the second approach, weather variables were introduced directly into the model. For each approach, the effects of built environment, road and transit characteristics, and bicycle facilities on cyclist volumes were determined. It was found that employment, schools, metro stations, bus stops, parks, land mix, mean income, bicycle facility type (bicycle lanes and cycle tracks), length of bicycle facilities, average street length, and presence of parking entrances were associated with bicycle activity. From these, it was found that the main factors associated with bicycle activity were land-use mix, cycle track presence, and employment density. For instance, intersections with cycle tracks have on average 61 percent more cyclists than intersections without. An increase of 10 percent in land-use mix or employment density would cause an increase of 8 percent or 5.3 percent, respectively, in bicycle flows. The methods and results proposed in this research are helpful for planning bicycle facilities and analyzing cyclist safety. Limitations and future work are discussed at the end of this paper.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».