MétaCan
Menu
Retour à la cohorte
Enregistrement W2282218278

Evaluation of Factors Affecting Bus On-Time Performance in Edmonton, Canada

2016· article· en· W2282218278 sur OpenAlexaboutno aff
Gang Liu, Ling Shi, Tony Z. Qiu

Notice bibliographique

RevueTransportation Research Board 95th Annual MeetingTransportation Research Board · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueTransportation Planning and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésReliability (semiconductor)Arrival timeMultinomial logistic regressionAdverse weatherTime of dayStandard deviationVariance (accounting)StatisticsTransport engineeringEnvironmental scienceComputer scienceMeteorologyEngineeringGeographyMathematicsBusiness
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

An understanding of bus service reliability is necessary to develop strategies that help transit agencies provide better services. To date, there has been little effort to employ multi-source data in evaluating bus on-time performance in Edmonton, Canada. This study aims to quantify and determine temporal and weather related bus arrival time variability in Edmonton. The descriptive statistics of bus arrival time (the percentage of arrivals within the on-time threshold (PA) and the standard deviation of arrival time variance (SD)) are calculated for each hourly period throughout the week and different weather conditions. The analysis shows that afternoon peak and adverse weather conditions result in lower bus on-time reliability. Then a multinomial logit model is developed and estimated, which relates early, late and on-time bus arrivals to environmental, temporal and operating characteristics. The model results show that the probability of on-time failures increases during afternoon peak periods, as buses progress further along their routes and under adverse weather conditions.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,033
Score d'incertitude au seuil0,241

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,078
Tête enseignante GPT0,391
Écart entre enseignants0,313 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransportation Research Board 95th Annual MeetingTransportation Research BoardMême sujetTransportation Planning and OptimizationTravaux en français237 207