Impact of Weather, Activities, and Service Disruptions on Transportation Demand
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper aims to estimate short-term transportation demand fluctuations because of events such as meteorological events, major activities, and subway service disruptions. Four different modes are analyzed and compared, being bikesharing, taxi, subway, and bus. Case study includes 3 years of transactional data on working days collected in Montreal, Canada. Generalized additive models (GAM) are developed for every mode. The dependent variable is the hourly number of trip departures from one subway station neighborhood. Independent variables are data from various events. Different models are calibrated for every subway station neighborhood to better understand spatial differences. Also, performance of GAM and autoregressive integrated moving average models are compared for prediction on different horizons. Results suggest that presence of rain decreases bikesharing, subway, and bus demand, while increasing taxi demand. In fact, after four consecutive hours of rain, bikesharing demand decreases by 28.0%, subway and bus demand decreases by 4.6%, while taxi increases by 13.9%. Wind is only found significant for bikesharing. Temperature is found significant for all four modes but has a larger effect on bikesharing and taxi. Moreover, demand increases significantly during subway service disruptions for the three alternative modes studied, especially for taxi, suggesting an increase in demand of 182% during disruptions of 1 h. Furthermore, activities influence demand for all four modes, but subway seems to be the most affected one. This method allows for a better understanding of travel behaviors and makes it possible to consider a more dynamic adaptation of the transportation service supply to match travel demand based on various events. This could lead to better co-planning of events and transportation service, for example by temporarily increasing subway frequency or changing the position of some bikesharing stations.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle