Longitudinal Analysis of Transit-Integrated Ridesourcing Users and Their Trips
Notice bibliographique
Résumé
Several municipal transit agencies have partnered with transportation network companies to provide a range of services, but data restrictions have limited research on trip-level observations of transit-integrated ridesourcing users. The goal of this study was to understand how users’ trip-making behaviors adapted to a transit-integrated ridesourcing pilot in Waterloo, Ontario. This research conducted a longitudinal analysis of 178 unique users and temporal analyses of their 4,536 ridesourcing trips (rides) taken throughout the pilot from November 2018 to December 2019. Trip type and frequency changes over time were measured for frequent, average, and infrequent users. Transit, walking, and cycling alternatives to the pilot rides were generated and characterized based on their complementarity with transit. The number of unique users and daily ridership increased over time, as new users made their first trips and existing users made trips more frequently. Frequent users shifted toward less transit-competitive trip types whereas average and infrequent users had a sporadic but larger share of more transit-competitive trip types. The pilot was mostly used during off-peak service periods, when transit was less frequent, which suggests these systems are valuable for nonwork trips. Transit trip alternatives were not temporally competitive with rides. Cycling was competitive with 5% to 10% of rides and was consistently faster than walking and transit alternatives. Walking was not a practical alternative to rides in most cases. This analysis may inform other agencies of performance evaluation techniques for their transit-integrated ridesourcing pilots and the unique characteristics of trips taken by users of this mode.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».