Implementation of a "Next Generation" Activity-Based Travel Demand Model: The Toronto Case
Notice bibliographique
Résumé
Disaggregate, activity-based travel demand models have been promoted for several decades as being more behaviourally sound and, as a result, more policy sensitive demand forecasting tools than conventional aggregate, trip-based, “four-step†procedures. In the past decade numerous operational models have been implemented in a number of US metropolitan regions as well as in Europe. This paper discusses the development and implementation within operational planning practice of the first fully activity-based travel demand model in Canada, the GTAModel V4.0 model system for the Greater Toronto-Hamilton Area (GTHA). Based on over a decade of research at the University of Toronto, “V4.0†has recently been used by the City of Toronto in a major study of transit infrastructure investment strategies. It has also been adopted by the City of Mississauga for use in future planning studies. The paper discusses the advantages of the disaggregate activity-based approach to travel demand modelling. It then provides a concise overview of the key features and procedures of the V4.0 model system, as well as a detailed bibliography of more detailed documentation of the model system. The paper then discusses the operational implementation of the model system and briefly describes the on-going first application of the implemented model system in the analysis of major rail transit investment alternatives for the City of Toronto. The paper concludes with a few “lessons learned†that may be useful for other Canadian urban regions considering the evolution to activity-based model system formulations for their operational use.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».