Comparison of apportionment methods for assigning trip data to rezoned traffic analysis zones: A case study of Toronto, Canada
Notice bibliographique
Résumé
Due to regional development impacts, existing traffic analysis zones may be rezoned. Apportioning data to new traffic analysis zones is essential to ensure data analysis consistency and comparability. The traditional method uses area to apportion data. This study introduces six methods in apportioning trip data, including the traditional method (M1); the residential land use counted method (M2); the population counted at the dissemination area (DA) level method (M3); the integrated method using both residential land use and the population in DAs (M4); the population counted at the dissemination block (DB) level method (M5); and the integrated method using both residential land use and the population in DBs (M6). These methods are demonstrated in the case of Toronto, Canada using trip data from 2001 and 2016. Results from the six methods are compared and analyzed using mapping, Getis‐Ord Gi* hot‐spot analysis, and the Wilcoxon signed‐rank test. Our findings show that the traditional method and the population counted in DAs method are significantly different (p < 0.05) from the residential land use counted method and the integrated method using both residential land use and the population in DAs and the integrated method using both residential land use and the population in DBs. These results provide references for selecting appropriate apportionment methods, which is the basis for transportation planning and policymaking.
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 | 0,006 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,010 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».