Learning-Based Model for Evaluating the Impact of Neighborhood Design on Travel Behavior
Notice bibliographique
Résumé
This research developed an agent-based model that evaluates the impact of neighborhood design on travel behavior while accounting for habit formation, social interactions, various levels of information provision, and awareness of transport and land use system changes. The developed model employs a framework that integrates random utility maximization theory with reinforcement learning concepts to account for the bounded rationality and knowledge learning process. Moreover, the model utilizes the diffusions of innovations theory to simulate how agents propagate information across family members and co-workers. It also adds a time dimension to the modal shift process, which could be used to indicate the relative duration to reap the full benefits of proposed scenarios. The model was applied to a neighborhood in Kelowna, British Columbia, Canada, to assess the impact on travel behavior of the SMARTer growth principles. The results showed that retrofitting non-motorized networks has more impact on modal shift than retrofitting road networks. This implies that infrastructure investments related to providing more accessibility for non-motorized users may be more socially and sustainably profitable than investments in policies targeting auto users. In addition, the results revealed that land use policies led to higher modal shift to non-motorized modes compared to retrofitting the transportation network, which highlights the importance of integrating land use and transportation planning. Similarly, the results demonstrated that transportation demand management policies can provide a positive stimulus to commuters to maintain familiarity with active transportation (AT) modes, which led in the presented case study to an increase in AT modal share.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».