Development of Microsimulation Activity-Based Model for San Francisco: Destination and Mode Choice Models
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 tour-based microsimulation approach to modeling destination choice and mode choice of San Francisco residents is presented. These models were developed as part of an overall tour-based travel demand forecasting model (SF model) for the San Francisco County Transportation Authority to provide detailed forecasts of travel demand for various planning applications. The models described represent two of the nine primary components of the SF model. Both model components consist of multiple logit choice models and include both tour-level models (which refer to the primary activity of the tour) and trip-level models (other activities on the tour). A separate model was estimated for each tour purpose, including work, school, other, and work-based. The destination choice models combine the trip attraction and trip distribution components of the traditional four-step process and use a multinomial logit specification. The mode choice models utilize a nested logit formulation to capture the similarities among sets of similar modes. The two models are linked by incorporating the mode choice utility logsum in the destination choice models; the result is equivalent to a nested structure with a mode choice nest under destination choice. It is demonstrated that the microsimulation approach easily allows the inclusion of a number of key variables in destination and mode choice models that have a significant explanatory power compared with those in traditional models. It is also shown that this approach allows estimation of the effects of tour characteristics on the choice of destination and mode using widely available data and estimation procedures.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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