A fuzzy intervening opportunity model to predict home-based shopping trips
Notice bibliographique
Résumé
The Intervening Opportunity Model (IOM) is a powerful analytical and probabilistic model used to model trip distributions. Although compared to other models this model uses a powerful analytical level to model distribution of inessential trips, the basic limitation in this model is the presumption that trip makers are fully aware of all available opportunities in the area and their trip lengths to all possible destinations and that they scrupulously evaluate all the destinations during their decision making process. This assumption fails to hold true consistently, especially in big cities. This paper has attempted to present and test a new method to omit the limitations inherent in a conventional intervening opportunity model and maximize its compatibility with the common destination choice pattern of home-based shopping trips. The overall idea is that for the main parameters of the intervening opportunity model (i.e., the opportunity and destination ranking variables) some coefficients and weights may be considered to calibrate the model once these weights and coefficients are calculated and included. Since the factors relevant to the knowledge of the trip makers about the opportunities at destinations (the market knowledge factor) and also the knowledge on the accessibility of the shopping destinations (accessibility factor) are both fuzzy concepts, the authors examined and tested the idea of applying fuzzy logic in the development of an intervening opportunity model. The positive result of the study is called a Fuzzy Intervening Opportunity Model (FIOM). The fuzzy intervening opportunity model is presented in three groups with a significant goodness of fit with the observed data.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».