Effects of Built Environment and Weather on Bike Sharing Demand: Station Level Analysis of Commercial Bike Sharing in Toronto
Notice bibliographique
Résumé
Bike Share Toronto is Canada’s second largest public bike share system. Bike Share Toronto provides a unique case study as it is one of the few bike share programs in a North American city that experiences severe cold climates and operates throughout the entire year. Using year-round real time trip data, this study analyzes the factors affecting Toronto’s bike share ridership. A comprehensive spatial analysis is performed and three regression models are developed at the station level. Results of the trip attraction and generation models provide meaningful insights on the influence of socio-demographic attributes, land use and built environment, as well as different weather measures on bicycle share ridership. The developed models can be used to assist policy makers and city planners to predict the monthly trip activity at potential station locations. A station pair (origin-destination) regression model is developed based on station to station paths’ level of service attributes along with other zonal level factors. Results show that station-to-station distance and the number of intersections with major roads have negative impacts on bike share ridership. In addition, for a given origin-destination pair, the higher the percentage of bicycle infrastructure with respect to the total route length, the higher the corresponding ridership. This model can be used to predict the trip distribution between station pairs based on the total trip activity at each station. The model can also be used to assess potential bike infrastructure development based on expected bicycle routes from/to potential station locations.
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 | 0,010 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».