Developing Transportation Engineering and Planning Metrics for Rural Volunteer Driver Programs
Notice bibliographique
Résumé
Car-based volunteer driver programs have emerged as important providers of transportation in many rural and low-density locations in which automobile dependence is high and transit access is negligible. The degree of this importance is not known, yet it can be expected that demand for these services will increase commensurate with the transportation needs of the aging population. The challenge remains that there is limited technical guidance for existing and new programs to anticipate and respond to the anticipated increases in travel demand from an aging population. It is also unclear how these programs can fit into transportation engineering and planning. This paper presents aggregate results of travel data collected for one year using a uniform data reporting approach by seven car-based volunteer driver programs in New Brunswick, Canada. Users 65 years and older accounted for 49–65% of members, and programs on average made 2.0 stops (trip end) per drive (trip chain), drove 39 km per stop, 61 km per drive, and had an occupancy of 1.5 riders per drive. A total of 88% of drives had 3 or fewer stops, and one drive was cancelled for every 10–11 offered. A total of 49.3% of all stops (excluding home) were for health purposes, with 20.7% for education/work. Seasonal, daily, and hourly trends were observed. Volunteers in groups with <100 riders provided more hours/drive but fewer hours/year than those in larger groups. These data can provide a basis for a more sophisticated approach to program planning and could be useful in forecasting for future demand.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».