Temporal Transferability of Model Components within an Activity-Based Travel Demand Modelling Approach
Notice bibliographique
Résumé
Temporal transferability is one of the key and implicit conditions of developing travel behaviour models as these are developed for forecasting future levels of transport demand. Current travel demand modelling practices are focusing on the development of advanced models that better explain current behaviour rather than an emphasis on the ability of these models in forecasting. The importance of producing high temporal transferability of models should not be neglected as these models are used by planners and policy-makers to test policy decisions and to estimate future demands, which are critical inputs for infrastructure planning and maintenance. This research presents an investigation of the temporal transferability of activity generation process, scheduling process, and mode choice models. Three repeated cross-sectional household travel survey datasets collected in the greater Toronto and Hamilton area (GTHA) are used for the investigation. A multiple discrete-continuous extreme value model is used to develop an activity-travel generation model, and separate models are estimated for non-workers and workers. A Random utility maximization (RUM) based dynamic activity scheduling model is utilized to develop an activity-travel scheduling model for non-workers and workers separately. Heteroskedastic GEV model (HET-GEV) and HET-GEV model with scale parameter parameterized as a function of entropy are developed for commuting mode choice trips. Models are developed for individual years and then for the pooled data set of three cross-sectional years to develop a Meta model for each component. Individual year-specific models are used to increase knowledge about the temporal stability of different parameters of the model so that the Meta model could capture the non-linear evolution of some key parameters of the model. Different transferability indices are used to test temporal transferability of cross-sectional year-specific models and the Meta model. Results demonstrate an approach of effectively using multiple repeated cross-sectional datasets as pseudo panel data to develop Meta models to improve the temporal transferability of activity-based travel demand models.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».