Hotspots Identification and Classification of Dockless Bicycle Sharing Service under Electric Fence Circumstances
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».