Real-Time Riders: A First Look at User Interaction Data from the Back End of a Transit and Shared Mobility Smartphone App
Notice bibliographique
Résumé
A fundamental component of transit planning is understanding passenger travel patterns. However, traditional data sources used to study transit travel have some noteworthy drawbacks. For example, manual collection of travel surveys can be expensive, and data sets from automated fare collection systems often include only one transit system and do not capture multimodal trips (e.g., access and egress mode). New data sources from smartphone applications offer the opportunity to study transit travel patterns across multiple metropolitan regions and transit operators at little to no cost. Moreover, some smartphone applications integrate other shared mobility services, such as bikesharing, carsharing, and ride-hailing, which can provide a multimodal perspective not easily captured in traditional data sets. The objective of this research was to take a first look at an emerging data source: back-end data from user interactions with a smartphone application. The specific data set used in this paper was from a widely used smartphone application called Transit that provides real-time information about public transit and shared mobility services. Visualizations of individuals’ interactions with the Transit app were created to demonstrate three unique aspects of this data set: the ability to capture multicity transit travel, the ability to capture multiagency transit travel, and the ability to capture multimodal travel, such as the use of bikeshare to access transit. This data set was then qualitatively compared with traditional transit data sources, including travel surveys and automated fare collection data. The findings suggest that the data set has potential advantages over traditional data sources and could help transit planners better understand how passengers travel.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».