Speed, Travel Time, and Delay for Intersections and Road Segments in Montreal Using Cyclist Smartphone GPS Data
Notice bibliographique
Résumé
Until now, very little has been known about cyclist speeds and delays at the disaggregate level of each road segment and intersection. Speeds and delays serve as vital information for navigation and routing purposes since they can identify speeds and delays during different times of the day and how they differ across roads and bicycle facilities. In this work, the authors explore the use of recent GPS cyclist trip data, from the Mon ResoVelo smartphone application, for identifying different level-of-service measures such as travel time, speed and delay at the level of the entire road and intersection network for the island of Montreal. Also, a linear regression model is formulated to identify the geometric design and built environment characteristics affecting cyclist speeds on segments. Among other results, on average, segment speeds are greater along arterials than on local streets and greater along segments with bicycle infrastructure than those without. Modeling cyclist speed revealed that the variable representing the cyclists’ average speed on uphill, downhill and level segments, cyclists’ average speed on arterials as well as geometric design, built environment affect segment speeds. The model results identify that segments which have cyclists biking for work or school related purposes, segments used during morning peak, segments with bicycle infrastructure and segments which do not have signalized intersections at either end, tend to have cyclists riding at greater speeds. Also, cyclists travel faster when the temperature is between 10°and 20° and travel slower late at night or early morning.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,002 |
| 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 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 ».