Future paths for regional fare collection in Atlanta: a case study analysis of the planning and implementation of next generation fare collection systems for regional transit in North America
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
The Atlanta region will soon be faced with a choice as to how it will go about planning for and implementing its next regional fare collection system that will replace the current BREEZE system. In 2006, MARTA became the first transit agency in the United States to implement an all contactless smartcard for use on its services. However, there have been many advances in new technologies and the consumer payment preferences have evolved since the initial implementation. These developments, coupled with the rapid consumer adoption of smartphones and changing attitudes within the financial payments industry towards transit properties, have recently led four major transit agencies within North America to implement new fare collection systems based on open payments, the development of mobile ticketing applications, or a combination. This research uses a case study methodology to answer several questions related to the planning and implementation of regional fare collection systems in Chicago (CTA), Dallas (DART), Philadelphia (SEPTA) and Toronto (TTC). Based on the experience of the case study agencies, the implementation of Atlanta's next fare collection system is sure to be a long and arduous process. However, by utilizing the lessons learned from DART, CTA, SEPTA and TTC, MARTA and the other regional operators (Cobb Community Transit, Gwinnett County Transit and the Georgia Regional Transportation Authority) will be better poised to provide their patrons with additional means of paying fares while, at the same, minimizing the disruption to the existing fare collection system during the transition period.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 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 découle