Synthesizing Population for Agent-Based Microsimulation Modeling in Atlantic Canada
Notice bibliographique
Résumé
In the past decade, interests in agent-based microsimulation modeling have increased in the transportation field in response to the growing importance of complex policy measures, including travel demand management and road pricing. Advanced travel demand models use agent-based micro-simulation models to simulate the behaviour of individuals and households rather than aggregate accounting based estimation. The availability of micro-data of population characteristics, the synthesis of individual and household attributes, is necessary for developing a disaggregate, dynamic travel demand forecasting model. In this paper a population is synthesized for individuals and households in Atlantic Canada using the Fitness Based Synthesis (FBS) approach. The synthetic algorithm is examined by three models: using household level control tables (HL model); second, using individual and household level control tables (HPL model); and third, weighting individual and household level control tables (WHPL model). The data used in this study is collected from the 2006 Canadian Census and the 2006 Public Use Micro-data File (PUMF). The algorithm is implemented using a high-level matrix programming language for numerical computation in MATLAB. Validated by error percentages and goodness-of-fit evaluation, FBS can efficiently obtain a satisfactory result using both individual and household level control tables. Furthermore, distribution of selected households in WHPL model is more homogeneous than in HPL model, although the results of HPL also provide a good fitness value. The framework for generating synthetic population presented is a fundamental contribution to the development of an Integrated Transport, Land Use and Environment Modelling System in Nova Scotia, Canada.
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 | 0,011 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».