TraClus-DL: A Desire Line Clustering Framework to Identify Demand Corridors
Notice bibliographique
Résumé
Ideally, transportation networks should follow transportation demand in an unprocessed form as represented by desire lines (direct line between origin and destination points). To move from an individual to a collective scale, optimal individual paths need to be aggregated into efficient corridors. Conventionally, corridors are delimited based on existing transportation supply and networks. Hence, the structure of these networks is often the result of a trade-off between operational, administrative, and urban constraints. Confronting networks with unprocessed demand may help to diagnose the efficiency of transportation supply and how much it deviates from optimal corridors. TraClus is a general purpose framework for identifying zones with numerous movements given linear or non-linear trajectory data. In this paper the authors propose a framework called Trajectory Clustering for Desire Lines (TraClus-DL) inspired by TraClus but more specialized for the identification of demand corridors from origin-destination information, using characteristics such as spatial location, angles between lines and sampling weights. The functionality of TraClus-DL as a diagnostic tool for transportation supply is assessed and tested using a data set from the 2008 Origin-Destination travel survey conducted in 2008 in the Montreal area. The sensitivity of results with respect to parameter settings is evaluated. The paper demonstrates TraClus-DL’s adaptability for transportation planning and for decision making processes where a reference unit is required to evaluate projects. With intuitive and metric parameters and with exhaustive outputs TraClus-DL offer more possibilities to conduct deep analyses on corridor unit. Results are short demand corridors reflecting Wardrop's second principle where the collective total distance is optimised.
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 | 0,018 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».