Hotspots Identification and Classification of Dockless Bicycle Sharing Service under Electric Fence Circumstances
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dockless bicycle sharing is one of the low-carbon transportation modes towards sustainable mobilities. Electric fences, as an effective solution for parking management, may have a high potential in guiding the usage of dockless bicycles at a low operation cost. However, new issues arise with the implementation of electric fences. The location of electric fences in hotspots fails to match the parking demand, leading the parking congestion in urban central areas. In this paper, a novel methodology of bicycle hotspots identification and classification is proposed to support parking management. An evaluation framework for bicycle hotspots is also proposed covering three aspects: demand and supply, unbalance, and land use. The methodology is applied to the case of Xiamen Island by using the trip data covering 53,629 bicycles during morning peak hours. Applying the methodology proposed, 47 pick-up hotspots and 53 return hotspots are identified, respectively. The total parking overload of return hotspots during the morning peak is 12,587 bicycles in Xiamen Island. The 53 return hotspots are classified into three clusters, including (1) hotspots where bicycle sharing is in overload status, (2) hotspots where bicycle sharing service quality needs to be improved, and (3) hotspots where bicycle sharing is in stable status. Based on the demand and land use characteristics, parking management schemes and policy implications are proposed. The result of this paper provides guidance for the layout of dockless bicycle sharing electric fences in different areas.
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.
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 | 0,000 | 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 découle