Use of Agent-Based Crowd Simulation to Investigate the Performance of Large-Scale Intermodal Facilities: Case Study of Union Station in Toronto, Ontario, Canada
Notice bibliographique
Résumé
When planning complex transit terminals, hubs, and stations, it is critical to analyze a facility’s capacity to handle expected passenger movements and volumes. In Toronto, Ontario, Canada, the revitalization of Union Station, the country’s busiest transit facility, involved the development of a set of high-fidelity pedestrian microsimulation models that were used to plan the improvement of this major intermodal hub. The pedestrian models were first created with MASSMOTION software, and construction plans and projected transit schedules were applied to represent various scenarios during and after the station revitalization. These models were then calibrated and validated against data from passenger counts and transit usage surveys to provide an accurate base for future scenarios. Through the use of a fully constructed model of the station with 2031 transit demand projections, a series of stress experiments was performed to evaluate the station’s capability to handle future passenger volumes. Under projected 2031 circumstances, it was found that Union Station could operate reasonably well. However, an increase in inbound transit passenger volumes of a mere 10% over 2031 projections could lead to severe levels of congestion within constrained sections of the station. This paper reports on the development of the microsimulation models and the model results for future scenarios.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».