A Computational Framework for Revealing Competitive Travel Times with Low-Carbon Modes Based on Smartphone Data Collection
Notice bibliographique
Résumé
Evaluating potential of shifting to low-carbon transport modes requires considering limited travel-time budget of travelers. Despite previous studies focusing on time-relevant modal shift, there is a lack of integrated and transferable computational frameworks, which would use emerging smartphone-based high-resolution longitudinal travel datasets. This research explains and illustrates a computational framework for this purpose. The proposed framework compares observed trips with computed alternative trips and estimates the extent to which alternatives could reduce carbon emission without a significant increase in travel time.. The framework estimates potential of substituting observed car and public-transport trips with lower-carbon modes, evaluating parameters per individual traveler as well as for the whole city, from a set of temporal and spatial viewpoints. The illustrated parameters include the size and distribution of modal shifts, emission savings, and increased active-travel growth, as clustered by target mode, departure time, trip distance, and spatial coverage throughout the city. Parameters are also evaluated based on the frequently repeated trips. We evaluate usefulness of the method by analyzing door-to-door trips of a few hundred travelers, collected from smartphone traces in the Helsinki metropolitan area, Finland, during several months. The experiment’s preliminary results show that, for instance, on average, 20% of frequent car trips of each traveler have a low-carbon alternative, and if the preferred alternatives are chosen, about 8% of the carbon emissions could be saved. In addition, it is seen that the spatial potential of bike as an alternative is much more sporadic throughout the city compared to that of bus, which has relatively more trips from/to city center. With few changes, the method would be applicable to other cities, bringing possibly different quantitative results. In particular, having more thorough data from large number of participants could provide implications for transportation researchers and planners to identify groups or areas for promoting mode shift. Finally, we discuss the limitations and lessons learned, highlighting future research directions.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».