Transit Trip Itinerary Inference with GTFS and Smartphone Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Many emerging technologies have been developed to supplement and contribute to conventional household travel surveys for transport-related data collection. A great deal of research has concentrated on the inference of information from global positioning system (GPS) data and data collected from mobile phones; methods for inferring transit itinerary have not received much attention. Automatic detection of transit itineraries from smartphone travel surveys could be used by planning agencies to predict transit demand and help in analysis of transit planning scenarios. This paper describes a proposed approach to infer transit itinerary smartphone travel survey and general transit feed specification data from Montreal, Quebec, Canada. Transit trips from the 2013 household travel survey were recreated and recorded with the DataMobile smartphone travel survey from May to July 2016. Transit itineraries were then validated—that is, collected data were associated with transit routes for all parts of the trips. The proposed transit itinerary inference algorithm was then applied to these validated data. The approach relied on the notion of transit route ambiguity—that is, because transit routes can overlap, any attempt to associate GPS data with routes when routes do overlap will result in ambiguity in identifying which routes were actually used. The proportion of transit trips with associated transit routes that were ambiguous was calculated under different assumptions, rules, and eventually a simple algorithm. Findings indicate that, by using this approach, 94.2% of transit trip distance can be assigned to either one transit route or walking, and thus there is reduced ambiguity. This resulted in 87% correct prediction of transit routes.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle