Travel Behavior Analysis Using 2016 Qingdao’s Household Traffic Surveys and Baidu Electric Map API Data
Notice bibliographique
Résumé
Household traffic surveys are widely used in travel behavior analysis, especially in travel time and distance analysis. Unfortunately, any one kind of household traffic surveys has its own problems. Even all household traffic survey data is accurate, it is difficult to get the trip routes information. To our delight, electric map API (e.g., Google Maps, Apple Maps, Baidu Maps, and Auto Navi Maps) could provide the trip route and time information, which remedies the traditional traffic survey’s defect. Thus, we can take advantage of the two kinds of data and integrate them into travel behavior analysis. In order to test the validity of the Baidu electric map API data, a field study on 300 taxi OD pairs is carried out. According to statistical analysis, the average matching rate of total OD pairs is 90.74%, which reflects high accuracy of electric map API data. Based on the fused data of household traffic survey and electric map API, travel behavior on trip time and distance is analyzed. Results show that most purposes’ trip distances distributions are concentrated, which are no more than 10 kilometers. It is worth noting that students have the shortest travel distance and company business’s travel distance distribution is dispersed, which has the longest travel distance. Compared to travel distance, the standard deviations of all purposes’ travel time are greater than the travel distance. Car users have longer travel distance than bus travelers, and their average travel distance is 8.58km.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».