Adjusting Dwell Time for Paratransit Services
Notice bibliographique
Résumé
Paratransit (door-to-door public transit services for people with disabilities) is a key element of the public transit system. This type of service can be very costly to operate, yet it is essential for social inclusion. The aim of this study was to develop a quantitative approach to estimate paratransit dwell times and improve trip scheduling. Dwell time is defined as the time required for a vehicle to stop to board or alight passengers. Data collected by the paratransit department of the Société de transport de Montréal (STM), the Montreal, Canada, public transit agency, between September 2014 and May 2018 was used to estimate a dwell time model. Over 5 million data points were analyzed using a multiple linear regression model. The model takes into consideration the type of vehicle used, passenger characteristics (ambulatory or wheelchair passenger, support person), the activity performed at the stop (boarding or alighting), the stop location, the time, day and month the trip took place, and the type of place (residential or non-residential) served. The results reveal all these variables have a significant impact on dwell times. Using these results, a method was developed to improve estimated dwell times in STM’s paratransit scheduling system. The new method was implemented on August 1, 2018. The difference between planned and actual travel times was measured, before and after the implementation of the new method. The results show the on-time performance of the service was improved which helped optimize routes and reduce associated operational costs.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».