Identifying the Bias: Evaluating Effectiveness of Automatic Data Collection Methods in Estimating Details of Bus Dwell Time
Notice bibliographique
Résumé
Data from automated vehicle location (AVL) systems, automatic passenger counter (APC) systems, and fare box payments have been heavily used to generate dwell time models with the goal of recommending improvements in efficiency and reliability of bus transit systems. However, automatic data collection methods may result in a loss of detail with regard to the dynamics of passenger activity, which may bias the estimates associated with dwell or passenger activity time. The purpose of this study is to understand better any biases that might exist from using data from AVL–APC systems or fare box payments when estimating dwell time. Manually collected data from Montreal, Quebec, Canada, are used to estimate detailed dwell time models. This study compared those estimates to models generated by using data similar to what was reported by AVL–APC systems and fare boxes. The results reveal an overestimation in the passenger activity component of dwell time, which is mainly attributed to excess dwell time that AVL–APC data and fare box payments generally do not capture. While AVL–APC and fare box technologies provide transit agencies with rich data for analysis, adjustments to such data collection methods are warranted to reduce the overestimation of dwell time and to provide a more accurate picture of what is happening on the ground to generate better interventions that can reduce dwell times.
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 | 0,025 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».