Empirical Performance Analysis of Bus Speed and Delay at Intersections for Emerging Spot Improvement Programs
Notice bibliographique
Résumé
Many North American cities are increasingly interested in implementing small-scale localized spot treatments to surface routes as a simpler approach than top-down, disruptive route change, or redesign. This research seeks to support the identification of effective spot treatments at intersections using a systematic, data-driven approach. By analyzing key bus performance indicators in Toronto, this study developed insights into factors affecting peak-period bus speeds and delays at the segment and intersection levels for a wide variety of route and intersection configurations across eight high-frequency routes. Candidate treatments were then identified to improve bus performance. Data were sourced from the automatic vehicle location system, general transit feed specification, and a specialized ride check and GPS survey. Features of the approaches of 100 signalized intersections along the study routes were analyzed using K-means clustering, ordinary least squares regression, and regression trees, with target variables as their morning and evening peak operating speeds, segment-level delays, and signal delays. The results showed that long signal split is a significant contributor to higher operating speeds and lower delays, suggesting signal timing adjustments are an effective treatment. Clustering analysis suggested turning restrictions, particularly for right turns at intersections with near-side stops, could be effective, since turning volumes of similarly configured intersections were lower at locations with better transit performance. Regression analyses showed that queue jump lanes are an effective treatment if signal timing plans cannot be adjusted. The results from this study are intended to assist in informing transit authorities wishing to implement future spot improvement programs.
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 | 0,008 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».