Comparison Between Traditional Four-Step & Activity-Based Travel Demand Modeling - A Case Study of Tampa, Florida
Notice bibliographique
Résumé
The activity-based travel demand model has been viewed as an advanced approach with higher fidelity and better policy sensitivity. This study aims to compare modeling results from an activity-based model (ABM) developed using the travel diary data collected in the Tampa Bay Region with an existing traditional four-step model - the Tampa Bay Regional Planning Model (TBRPM), based on the four sequential steps: trip generation, trip distribution, model split, and trip assignment. The comparison results show salient differences. Trip production rates calculated from the travel diary data are found to be either double of or a quarter less than the TBRPM. On the other hand, trip attraction rates computed from ABM are found either more than double of or one tenth less than TBRPM. The trip distribution curves from the two models are found similar, but the peaking of travel time is different, with 10 min for the TBRPM, but 15 min for the ABM. Mode split analyses show that the TBRPM may underestimate the driving trips and it cannot capture the usage of other alternative modes, such as taxi and non-motorized. In addition, the ABMs are found to be less capable of reproducing observed traffic counts when compared to the TBRPM, most likely due to not considering the external and through trips. The comparison results presented can help transportation engineers and planners better understand the strengths and weaknesses of the two types of models and this will subsequently assist decision-makers to choose a better modeling tool for their planning initiatives.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».