Analyzing Commuter Train User Behavior: Decision Framework for Access Mode and Station Choice
Notice bibliographique
Résumé
The purpose of the current research effort is to develop a framework for a better understanding of commuter train users’ mode and station choice behavior. Typically, mode and station choice for commuter train users is modeled as a hierarchical choice with mode being considered as the first choice in the sequence. The current study proposes a latent segmentation based approach to relax the hierarchy. In particular, this innovative approach simultaneously considers two segments of station and access mode choice behavior: Segment 1 - station first and mode second and Segment 2 – mode first and station second. The allocation to the two segments is achieved through a latent segmentation approach that determines the probability of assigning the individual to either of these segments as a function of socio-demographic variables, level of service (LOS) parameters, trip characteristics, land-use and built environment factors, and station characteristics. The proposed approach offers many advantages compared to the traditional alternatives. First, we gain a better understanding of the decision processes by examining who are the individuals who choose the station (or mode) first. Second, the approach proposed is free from simulation and easy to implement. Third, the results from our analysis will provide insights to transit agencies on how to improve transit service to reduce the automobile travel to commuter train stations. The proposed latent segment model is estimated using data from an on-board survey conducted by the Agence Metropolitaine de Transport (AMT) for commuter train users in Montreal region. The proposed model is employed to investigate the role of socio-demographic variables, LOS parameters, trip characteristics, land-use and built environment factors, and station characteristics on commuter train user behavior. The model results are employed for prediction of commuter train user behavior on a hold-out validation sample. Our data validation clearly illustrates the enhanced predictive power offered by the latent segmentation model.
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 | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».