Evaluation of Dockless Bike-Sharing Transfer Services around Metro Stations considering Spatial Heterogeneity
Notice bibliographique
Résumé
The dockless bike-sharing system provides a convenient transfer option for metros, which can solve the “last mile” problem for passengers. However, the quality of bike-sharing transfer services around metro stations and its influencing factors are still unrevealed. Therefore, this study aims to evaluate the bike-sharing transfer services for different metro stations considering spatial heterogeneity. First, the transfer ridership of bike-sharing around each metro station is calculated based on the trip data of the Mobike in Shanghai. Then, a geographically weighted regression (GWR) model is used to analyze the relationships between the transfer ridership and built environment features around each metro station. Given the GWR model, a spatially varying benchmark is established to independently evaluate the bike-sharing transfer service of each metro station based on the deviation between the actual transfer ridership and its benchmark. In this case, the metro stations whose actual bike-sharing transfer ridership is below the benchmark are identified as the objects that need to improve their bike-sharing transfer services. The results show that the benchmark derived from the GWR model varies from station to station depending on the metro ridership, population density, and cycleway density around the metro station. In addition, bike-sharing transfer services around metro stations are better in Xuhui District, Minhang District, and Huangpu District, and worse in Pudong District and Qingpu District. Therefore, this study is helpful for the government and operators to better optimize the connection between dockless bike-sharing and metros.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».