Generation of “Biking Schedules” for Bicycle Travel Analysis
Notice bibliographique
Résumé
With an increasing focus on bicycling as a mode of urban transportation, there is a pressing need for improved tools for bicycle travel analysis and modeling. This paper introduces “biking schedules” to represent archetypal urban cycling dynamics, analogous to driving schedules used in vehicle emissions analysis. Three different methods of constructing biking schedules with both speed and road grade attributes are developed from the driving schedule literature. The methods are applied and compared using a demonstration data set of 55 h of 1-Hz on-road GPS data from three cyclists. Biking schedules are evaluated based on their ability to represent the speed dynamics, power output, and breathing rates of a calibration data set and then validated for different riders. The impact of using coarser 3, 5, and 10 s GPS logging intervals on the accuracy of the schedules is also evaluated. Results indicate that the best biking schedule construction method depends on the volume and resolution of the calibration data set. Overall, the biking schedules successfully represent most of the assessed characteristics of cycling dynamics in the calibration data set (speed, acceleration, grade, power, and breathing) within 5%. Future work will examine the precision of biking schedules constructed from larger data sets in more diverse cycling conditions and explore additional refinements to the construction methods. This research is considered a first step toward adopting biking schedules in bicycle travel analysis and modeling, and potential applications are discussed.
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 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».