The use of Bluetooth and smartphone GPS data to investigate factors associated to variations of travel times and delays
Notice bibliographique
Résumé
Comme d'autres segments du marché, les technologies de transport continuent à émerger, avancer et prospérer offrant aux chercheurs et aux praticiens la possibilité de contester les principes établis et de découvrir de nouveaux horizons. Cette thèse vise à étudier l'utilisation des données Bluetooth et GPS téléphones intelligents (Smartphone) pour calculer les temps de déplacement (ou de retards) et analyser l'influence de certains facteurs tels que la météo et l'environnement bâti. Ce travail démontre l'applicabilité pratique des nouvelles sources de données contre les technologies et méthodes plus traditionnelles. Premièrement, les données Bluetooth recueillies le long d'une artère majeure au cours de la période hivernale ont été utilisées pour évaluer l'impact des variables météorologiques sur les vitesses de déplacement. Cette recherche est basée sur les données de 2013-2015 provenant de capteurs permanents installés le long de l'une des principales artères urbaines à Montréal (Canada). Les effets ont été modelés sur un niveau horaire en utilisant un modèle de régression mixte compte tenu de la variation temporelle de la vitesse tout au long d'une journée. Les résultats ont confirmé l'importance majeure de la neige comme un obstacle à rouler, avec une chute de vitesse supérieure à 1.5 km/h pour une chute de neige moyenne. Comme le confirme la littérature, l'effet de la pluie a eu la prochaine plus haute incidence négative avec une diminution de la vitesse de 0,46-0,67 km/h pour une pluviométrie moyenne horaire. Les effets de la température et de la visibilité ont eu des avantages positifs sur la vitesse routière, tandis que l'augmentation des vitesses du vent a réduit la vitesse routière, même si l'ampleur de leurs effets était petite. Dans l'ensemble, l'effet des variables météorologiques a été légèrement inférieur à ce qui a été rapporté dans la littérature qui a généralement été axée sur les autoroutes. Deuxièmement, une enquête a été lancée pour déterminer si les temps de durée Bluetooth/Wifi aux intersections pouvaient être utilisés pour estimer les retards de véhicule à l'aide des données de GPS et des données vidéo traitées manuellement. Toutes les données ont été recueillies sur une période de quatre jours, en mai et juin 2016. Le délai moyen des données de la vidéo et du capteur ont ensuite été calculés pour des intervalles de 15, 30 et 60 minutes. Des modèles de régression de premier ordre à partir des données GPS révèlent des scores d'ajustement assez élevé de 68 à 96 % indiquant que les durées de capteur correspondent à la durée réelle du circuit de retard. De même, les modèles de régression entre les données de vidéo et de durée ont donné lieu à des scores d'ajustement assez élevé de 70 % au niveau des 15 minutes indiquant que les capteurs peuvent surveiller de manière compétente la variation temporelle de retard. Ces résultats sont prometteurs, étant donné les faibles coûts et la facilité d'installation de ces technologies, mais une validation supplémentaire est nécessaire, en vue d'illustrer le potentiel pratique pour estimer le retard d'intersection.Enfin, des données GPS recueillies à partir d'une application de téléphone intelligent activée à partir d'un grand échantillon de conducteurs dans la ville de Québec ont été utilisées pour comparer les coûts de rouler entre les différentes typologies de quartier. Les coûts de conduite ont été définis selon le temps de déplacement, la consommation de carburant et les émissions de gaz à effet de serre. Les quatre typologies de quartiers définis ont été développées à l'aide de quatre attributs d'environnement bâti : la densité de la population, la densité de l'emploi, l'utilisation des terres mixtes, et l'accessibilité du transport en commun . Une analyse des coûts de voyage a révélé que les voyages en provenance des régions rurales ou des banlieues ont des coûts de voyage de 24 à 30 % plus élevés que les autres régions.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».