Analysis of Changes in Intercity Highway Traffic Travel Patterns under the Impact of COVID-19
Notice bibliographique
Résumé
The unprecedented COVID-19 pandemic impacts negatively on the security and development of human society. Comparison and analysis of intercity highway travel patterns before and during the COVID-19 pandemic can bring vital insights for the prevention and control of the pandemic. Empirical studies are conducted using cellular network-based datasets associated with two groups of city pairs in China heavily affected by COVID-19. Spatial matching, full-sample extrapolation, and trajectory feature analysis are adopted to attain travel volumes of intercity highways during four different periods. The reliability of origin-destination (OD) matrices calculated based on the cellular network-based dataset is demonstrated by comparing with the fluctuation trend of traffic count data. The empirical studies show that the OD flows associated with passenger cars on intercity highways in China decreased significantly during COVID-19. With the effective implementation of the pandemic prevention control policy and the orderly promotion of the recovery to work and production, the volumes of intercity highway OD flows returned to the pre-pandemic level in mid-April 2020. Besides, the peak of passenger car trips decreases and the time span for truck trips gets longer owing to implemented control measures in dealing with COVID-19. The results can be applied to the calculation of OD flows between most adjacent cities and analyze the intercity highway traffic travel patterns changes, which provide insightful implications for making intercity travel safety prevention and control policies under epidemic conditions.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».