Use of data science techniques for the modelisation of the public bike-sharing system of BIXI in Montreal, Canada
Notice bibliographique
Résumé
The final master thesis investigate behavioural patterns of the users of bike-sharing\n\t\t\t\t system BIXI in Montreal. A data mining approach is used by applying clustering\n\t\t\t\t methods on open data from BIXI, the Government of Canada and the City of Montreal.\n\t\t\t\t Hierarchical clustering with Ward and Gower is processed to form clusters\n\t\t\t\t using only the BIXI variables at first. Then, because the authors believe that contextual\n\t\t\t\t information has a fundamental effect on the user’s behaviour, they investigate\n\t\t\t\t the impact of adding such information into the clustering methodology. In the end,\n\t\t\t\t a multi-view clustering method is preferred for its quality of preserving the basic\n\t\t\t\t characteristics of simpler set of clusters (mixing less variables). Afterwards, local\n\t\t\t\t analysis are done over some profiles of the classes. A dynamic balancing analysis of\n\t\t\t\t the station using geographical representation offer good insight on the movements\n\t\t\t\t of the bikes associated with a cluster. Then, a complex network approach is also\n\t\t\t\t used to extract more topological information about the bike-sharing network made\n\t\t\t\t from the stations and the trips. All these transdisciplinary approaches used together\n\t\t\t\t produce new operational knowledge that can be useful for the operators and the\n\t\t\t\t logistics to overcome the redistribution problem as well as improving the quality of\n\t\t\t\t the service.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».