Modeling the Demand for Shared E-Scooter Services
Notice bibliographique
Résumé
This paper presents the findings on modeling the demand for shared e-scooter services (SES); specifically, spatio-temporal variation of SES demand. A zero-inflated negative binomial (ZINB) model is developed using the count data of trip origins at the dissemination area level from Kelowna, Canada. The motivation for adopting the ZINB model is the presence of excess zeros in the count data. ZINB has two components: the zero-inflated component accounts for excess zeros, and the count component accounts for the over-dispersion characteristics of data resulting from excess zeros. In addition to the ZINB, several other count models including hurdle models are estimated. The goodness-of-fit measures suggest that the ZINB model outperforms other methods. The model results confirm the effects of temporal, weather, transportation infrastructure, land use, and neighborhood characteristics. For example, the count model results reveal that SES demand is more likely to be higher during summer, mid-day on weekends, afternoons of weekdays, and days without rainfall. Furthermore, higher e-scooter index, higher density of cycle tracks, heterogeneous land use, urban centers, lower elevation, and neighborhoods with higher density of hotels and younger population might induce higher demand. The zero component results of the model are consistent with the findings revealed by the count component. The model is validated using a hold-out sample, and the validation results confirm that the prediction performance of the model is reasonably satisfactory. The findings of this study provide important insights into when and where the demand is higher, which will assist in effective policy-making supporting e-scooter use.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».