Measuring Retiming Responses of Passengers to a Prepeak Discount Fare by Tracing Smart Card Data: A Practical Experiment in the Beijing Subway
Notice bibliographique
Résumé
Understanding passengers’ responses to fare changes is the basis to design reasonable price policies. This work aims to explore retiming responses of travelers changing departure times due to a prepeak discount pricing strategy in the Beijing subway in China, using smart card records from an automatic fare collection (AFC) system. First, a new set of classification indicators is established to segment passengers through a two-step clustering approach. Then, the potentially influenced passengers for the fare policy are identified, and the shifted passengers who changed their departure time are detected by tracing changes in passengers’ expected departure times before and after the policy. Lastly, the fare elasticity of departure time is defined to measure the retiming responses of passengers. Two scenarios are studied of one month (short term) and six months (middle term) after the policy. The retiming elasticity of different passenger groups, retiming elasticity over time, and retiming elasticity functions of shifted time are measured. The results show that there are considerable differences in the retiming elasticities of different passenger groups; low-frequency passengers are more sensitive to discount fares than high-frequency passengers. The retiming elasticity decreases greatly with increasing shifted time, and 30 minutes is almost the maximum acceptable shifted time for passengers. Moreover, the retiming elasticity of passengers in the middle term is approximately twice that in the short term. Applications of fare optimization are also executed, and the results suggest that optimizing the valid time window of the discount fares is a feasible way to improve the congestion relief effect of the policy, while policy makers should be cautious to change fare structures and increase discounts.
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 | 0,002 | 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 | 0,001 |
| 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 ».