Commuting in the Storm: Adaptation of Transit Riders and Measures for Transit Operator—A Case in Shanghai
Notice bibliographique
Résumé
Adverse weather has been recognized as an important factor to affect travelers’ activity plans in departure time, transport mode, route taken, or cancellation. In the storm, road waterlogging degrades the capacity of road networks and the service quality of transit systems, which further may affect the supply and demand for transit. Based on a typical case in Shanghai that commuters have no easy access to metro service, this paper aims to explore how transit passengers adapt to different situations in the storm and what emergency plans should be taken accordingly. Derived from the revealed preference (RP) and stated preference (SP) survey results for experienced transit commuters, a nested logit (NL) model was developed to describe the travel behavior of transit commuters. Six alternatives, Direct Bus, Bus + Bus, Metro, Bus + Metro, Taxi, and Cancel Trip, and three storm scenarios were set for transit commuters in this case. Estimated parameters indicate that, in storm weather, crowdedness is less considered by transit commuters, and transfer times, walking time, in-vehicle time, and waiting time have negative effects on the selection of the corresponding alternative, whereas the impact of taxi fare is positive since the higher fare is usually accompanied by worse weather and traffic condition. Sensitivity analysis shows that walking time to metro station, in-vehicle time, and waiting time at a bus stop are the most critical factors leading to transit ridership reduction in the storm. According to this, three possible plans for the transit operator, shuttle bus to the metro station (P1), information announcement (P2), and route adjustment (P3), are simulated and compared. We recommend adopting P2, P2 + P3, and P1 + P2 + P3 in turn with the increase of road waterlogging. These findings have important practical implications for developing transit emergency management plans and serve as references for the transit agencies and operators.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».