Developing urban biking typologies: Quantifying the complex interactions of bicycle ridership, bicycle network and built environment characteristics
Notice bibliographique
Résumé
Extensive research has been conducted exploring associations between built environment characteristics and biking. However, these approaches have often lacked the ability to understand the interactions of the built environment, population and bicycle ridership. To overcome these limitations, this study aimed to develop novel urban biking typologies using unsupervised machine learning methods. We conducted a retrospective analysis of travel surveys, bicycle infrastructure and population and land use characteristics in the Greater Melbourne region, Australia. To develop the urban biking typology, we used a k-medoids clustering method. Analyses revealed 5 clusters. We highlight areas with high bicycle network density and a high proportion of trips made by bike (Cluster 1; reflecting 12% of the population of Greater Melbourne, but 57% of all bike trips) and areas with high off-road and on-road bicycle network length, but a low proportion of trips made by bike (Cluster 4, reflecting 23% of the population of Greater Melbourne and 13% of all bike trips). Our novel approach to developing an urban biking typology enabled the exploration of the interaction of bicycle ridership, the bicycle network, population and land use characteristics. Such approaches are important in advancing our understanding of bicycling behaviour, but further research is required to understand the generalisability of these findings to other settings.
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 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| 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 ».