Reproducing Longitudinal In-Vehicle Traveler Experience and the Impact of a Service Reduction with Public Transit Smart Card Data
Notice bibliographique
Résumé
In-vehicle traveler experience is an influencing factor in the mode choice and satisfaction of public transit users. Vehicle load is an operator-centric indicator used as a level-of-service standard. This indicator considers crowding an isolated and deterministic event generalizable to all travelers. It has been argued that this indicator does not reflect the actual perception from the user perspective. This paper proposes a more comprehensive approach to measure in-vehicle experience by introducing an individual-based indicator that encompasses multiple days. The rationale is that the traveler’s perception is not determined by a single trip but by multiple events over time within a specific trip pattern. Multiday public transit smart card transaction data from an express bus route were used to demonstrate the concept. First, a data processing technique was developed to enrich the data with operations and vehicle capacity information. These data were used to reproduce the longitudinal in-vehicle experience of each traveler. The individual results were then summarized and analyzed according to trip and user attributes. Noticeable differences in the in-vehicle experience were found between fare groups and also were found associated with trip direction. Through the analysis of data before and after an actual service reduction, it was revealed that the level of impact on individual in-vehicle experience also varied according to fare group and trip direction. The traveler-based indicators complement traditional measures and could be integrated into operational planning, such as service reduction and increase studies, to anticipate the impact on traveler experience and customer satisfaction.
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 | 0,010 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 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 ».