Studying Differences of Household Weekday and Weekend Activities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A desired activity-based travel demand modeling framework should be able to address both weekday and weekend activities. However, a literature review shows that previous research efforts have mostly focused on weekday, not weekend, activities, and that little or no research exists to quantify the differences between the two. The best knowledge to date is limited to weekday and weekend activities that start at different times of the day and have different participation rates. This paper aims to fill the gap by studying the differences between weekday and weekend activities in Calgary, Canada, in terms of participation rates, starting times, duration, and inferred location choices. First, statistics related to these attributes were computed for 10 types of weekday and weekend activities (these were found to differ). Second, log-rank and Wilcoxon tests were used to prove further that common types of weekday and weekend activities tend to follow different survival functions. Third, best-fit duration models were explored for each type of weekday and weekend activity and compared with each other. It was found that Weibull and log-normal were chosen as the best-fit models for nearly all weekday and weekend activities. The best-fit duration models for the same types of weekday and weekend activities (e.g., shopping) were found to be different in either underlying distribution or estimated parameters. This study clearly shows that the weekend activities differ from their weekday counterparts and suggests that they be treated separately in activity-based modeling frameworks.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| 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 découle