Development of Fuzzy Level of Service Criteria for Bus Rapid Transit considering User Heterogeneities in China
Notice bibliographique
Résumé
Level of service (LOS) analysis based on LOS criteria is essential for the planning, design, and operational evaluation of public transit. However, there are no systematic transit LOS criteria at present in China. Bus rapid transit (BRT) is receiving increasing attention worldwide. Therefore, this study addresses LOS criteria for BRT in China. Transit passengers are heterogeneous in their perceptions, needs, and behavior. The traditional hard LOS criteria have an inherent weakness, because of which the accuracy of an LOS analysis is limited. Thus, in this study, we initially conducted transit market segmentation to reduce heterogeneity and subsequently developed BRT fuzzy LOS criteria for different passenger groups. Using a smartphone-based transit travel survey system, we organized BRT passenger travel surveys on three BRT systems in China to collect data. Transit market segmentation was performed based on user perceptions; passengers were segmented into a calm passenger group and an anxious passenger group using the latent class model. Passenger arrival time, passenger wait time, and running speed of the bus were selected as service metrics to reflect the BRT’s LOS. BRT fuzzy LOS criteria for the three service metrics in the case of both the calm and anxious passenger groups were developed using fuzzy C-means clustering. The LOS criteria for the two groups of passengers fit their psychological characteristics and reflected their personalized travel needs. Fuzzy LOS criteria can describe to what extent service metric values belong to the adjacent LOS categories via the use of membership. Thus, fuzzy LOS criteria can overcome the weakness of hard LOS criteria.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».