Identification of Representative Patterns of Time Use Activity Through Fuzzy <i>C</i> -Means Clustering
Notice bibliographique
Résumé
Analysis of the time use activity patterns of urbanites will contribute greatly to the modeling of urban transportation demands by linking activity generation and activity scheduling modules in the overall activity-based modeling framework. This paper develops a framework for novel pattern recognition modeling to identify groups of individuals with homogeneous daily activity patterns. The framework consists of four modules: initialization of the total cluster number and cluster centroids, identification of individuals with homogeneous activity patterns and grouping of them into clusters, identification of sets of representative activity patterns, and exploration of interdependencies among the attributes in each identified cluster. Numerous new machine-learning techniques, such as the fuzzy C-means clustering algorithm and the classification and regression tree classifier, are employed in the process of pattern recognition. The 24-h activity patterns are split into 288 intervals of 5-min duration. Each interval includes information on activity types, duration, start time, location, and travel mode, if applicable. Aggregated statistical evaluation and Kolmogorov–Smirnov tests are performed to determine statistical significance of clustered data. Results show a heterogeneous diversity in eight identified clusters in relation to temporal distribution and significant differences in a variety of sociodemographic variables. The insights gained from this study include important information on activities—such as activity type, start time, duration, location, and travel distance—that are essential for the scheduling phase of the activity-based model. Finally, the results of this paper are expected to be implemented within the activity-based travel demand model for Halifax, Nova Scotia.
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 | 0,006 | 0,001 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,002 | 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 ».