Estimation of a Long-Distance Travel Demand Model using Trip Surveys, Location-Based Big Data, and Trip Planning Services
Notice bibliographique
Résumé
Long-distance trips are less frequent than short-distance urban trips, but contribute significantly to the total distance traveled, and thus to congestion and transport-related emissions. This paper develops a long-distance travel demand model for the province of Ontario, Canada. In this paper, long-distance demand includes non-recurrent overnight trips and daytrips longer than 40 km, as defined by the Travel Survey for Residents in Canada (TSRC). We developed a microscopic discrete choice model including trip generation, destination choice, and mode choice. The model was estimated using travel surveys, which did not provide data about destination attractiveness and modal level of service. Therefore, a data collection method was designed to obtain publicly available data from the location-based social network Foursquare and from the online trip planning service Rome2rio. In the first case, Foursquare data characterized land uses and predominant activities of the destination alternatives, by the number of user check-ins at different venue types (i.e., ski areas, outdoor or medical activities, etc.). In the second case, the use of Rome2rio data described the modal alternatives for each observed trip. Combining data from travel surveys, Foursquare, and Rome2rio, coefficients of the model were estimated econometrically. It was found that the Foursquare data on number of check-ins at destinations was statistically significant, especially for leisure trips, and improved the goodness of fit compared with models that only used population and employment. Additionally, Rome2rio mode-specific variables were found to be significant for mode choice selection, making the resulting model sensitive to changes in travel time, transit fares, or service frequencies.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».