A method for estimating localised space-use pattern and its applications in integrated land-use transport modelling
Notice bibliographique
Résumé
Contemporary integrated land-use transport models (ILUTMs) explicitly consider interactions between floorspace demand/supply and rent at fine spatial scales, which requires a good understanding between floorspace use pattern and competition of locations among socioeconomic activities. Floorspace use patterns are usually represented by space use coefficients (SUCs) by activity type by zone, which are then used to develop theoretical space-use-rent curves (SURCs), in order to reflect the elasticity between rent and floorspace consumption rates. Literature review indicates that existing studies mostly use borrowed SUCs or subjective judgement methods for synthesising base-year floorspace and developing SURCs. In general, their accuracy is largely unknown and synthesised floorspace could be highly inaccurate. In this study, a linear programming method is proposed to estimate localised SUCs by assuming that zonal population, employment and floorspace total data are available. Study results show that the method can provide localised SUCs and better SURCs than traditional methods. It is found that, as the size of the homogeneous optimisation areas (HOAs) decreases, the accuracy of zonal space totals estimated increases considerably. For example, the estimation error between the observed and estimated zonal space totals reduces from 76.2% under the most aggregate case to 24.7% under the most disaggregate case. The sum of square errors (SSEs) between the optimised SUCs and the SURCs also reduces to about one-quarter of their original values. The method proposed contributes to a procedural process to estimate localised SUCs with known accuracy, which is proved to be a better alternative to traditional synthesis methods.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».