Route-Level Transit Passenger Origin-Destination Trip Estimation from Automatic Passenger Counting Data: A Case Study in Edmonton
Notice bibliographique
Résumé
Transit passenger origin-destination (OD) trip estimation is very important for transit planning, service management and operation analysis. The traditional method to conduct transit OD trip estimation requires on-board surveys to collect passenger on-off data, which are time-consuming, expensive and usually by-products of other comprehensive censuses which may take place in a very low frequency. The Automatic Data Collection (ADC) systems, including Automatic Vehicle Location (AVL) system, Automatic Passenger Counting (APC) system and Automatic Fare Collection (AFC) system, can collect passenger boarding and alighting counts frequently and have a much larger coverage than on-board surveys. In this thesis, data structure and methods of preprocessing APC data are discussed; route-level transit passenger OD trip estimation methods using APC data are reviewed and applied to the APC data of the Route 1 of the Edmonton Transit System (ETS). The analysis in this thesis shows those methods can produce similar results, but they have strengths and drawbacks. This thesis compares them and makes recommendations for practical applications. Besides, this thesis reviews and implements the stop grouping method to group similar stops along the Route 1 of ETS. The result stop group configuration synthesizes important flow patterns along the Route 1 which is more useful for transit agencies than stop-to-stop OD trip estimations.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 ».