Exploring Passengers’ Dependency Variety on Stations’ Functions in Urban Subway
Notice bibliographique
Résumé
Urban subway is taken by people in different frequencies, thus leading them to present different dependency varieties on this mode. Yet, how those passengers who possess low dependency on urban subway travel is less investigated. Under this background, we propose a framework to uncover passengers’ dependency variety on stations’ functions in urban subway. To begin with, nine features regarding travel frequency and time are extracted from 100 million transaction records generated by 11.45 million passengers in a month. Thus, their travel dependency on urban subway is quantified. These features are clustered into 5 distinct levels via the k-means algorithm, before an inference of subway stations’ functions from 236,040 POI data sources via the LDA approach. In this way, passengers’ travel purposes can be identified. How passengers with different dependency levels behave in subway stations in space and time is further explored in a visualization way. The intuitive experimental results, validated by priori user experiences and land-use plan of Beijing, show that among the 5 levels of dependency varieties, passengers in the first two groups present a relatively strong dependency on urban subway. Meanwhile, passengers in the rest three groups possess a low dependency on urban subway and display extreme travel patterns in time and frequency, greatly increasing management difficulties for transit operators. Findings in this research help distinguish passengers with low levels of subway dependency and grasp how those passengers without striking dependency travel by subway and what for so that practitioners can conduct an accurate risk assessment on them.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».