Mass Rapid Transit Ridership Forecast Based on Direct Ridership Models: A Case Study in Wuhan, China
Notice bibliographique
Résumé
Many large cities rely on Mass Rapid Transit (MRT) to increase passenger mobility. For efficiency, MRT stations should be arranged to attract maximal number of travelers. It is therefore important to develop methods for estimating MRT ridership forecasting models, which are important for policies on land use development or new MRT lines. Direct ridership models (DRMs) at the station level are superior in estimating the benefits of transit-oriented development policies. In this paper, a principal component regression (PCR) is proposed to overcome the issue of multicollinearity that widely occurs in multivariate regression analyses for DRM modeling, especially the ordinary least squares regression. Based on the analysis of 72 MRT stations in Wuhan, China, four principal components are obtained to explain the potential linkage to MRT ridership, which include built-environment related factors, jobs-housing spatial structure related factors, station attributes, and the large compound. Nineteen significant determinants have been identified, among which the four factors of office building area, land use mix, the number of restaurants, and financial institutions are the most influential factors. Built-environment-related factors exert more significant impact on MRT ridership than others. The distance to city center and the number of bus lines around stations have negative association with MRT demand. The proposed PCR-based DRM provides insights for forecasting transit demand brought about by new metro lines and forecasting the consequences of land use development.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».