Development of Indicators to Measure Transit Use Variability Based on Smart Card Data
Notice bibliographique
Résumé
Transit ridership varies over time, within the behaviour of a same user, and from one user to another. These variations make it difficult to adjust service and demand forecasting models, potentially leading to additional operating costs and a non-optimal allocation of vehicles on the network. However, the growing availability of longitudinal and individualized data now allows to better understand travel behaviour. In particular, this paper benefits from smart card data from the OPUS system of Montreal, Canada. More than 429 million validations, made by nearly 2 million cards, are mined to investigate transit use variability at a totally disaggregated level over a one-year period. Four indicators are proposed to measure several types of variations: trip dispersion among the users, variability of the frequency of use, temporal variance of the monthly number of trips and spatial diversity of the boarding locations. These indicators are applied to evaluate the regularity of 10 distinct groups of cards defined by their fare composition. Because of the sensitivity of statistical tests on sample size, an effect size analysis is provided to better quantify the magnitude of the differences between the groups. The results reveal relationships between transit use and the typeof product used. Both annual and monthly pass users are found to be regular and frequent passengers, whereas ticket book users are rather occasional travellers. Moreover, variability tends to increase with the number of different products used during the year. L’achalandage du transport en commun varie dans le temps, au sein du comportement d’un même usager, mais aussi d’un usager à l’autre. Ces variations rendent difficile l’ajustement des services et des modèles de prévision de la demande, conduisant potentiellement à des coûts d’opération supplémentaires et à une affectation non optimale des véhicules sur le réseau. Toutefois, la disponibilité croissante de données longitudinales et individualisées permet désormais de mieux comprendre la variabilité des comportements de déplacement. Cet article bénéficie ainsi de données de cartes à puce provenant du système OPUS de Montréal, Canada. Plus de 429 millions de validations, réalisées par près de 2 millions de cartes, sont exploitées pour étudier la variabilité d’utilisation du transport en commun à un niveau totalement désagrégé sur une période d’un an.Quatre indicateurs sont proposés afin de mesurer plusieurs types de variations : la dispersion des déplacements parmi les usagers, la variabilité de la fréquence d’utilisation, la variance temporelle du nombre de déplacements par mois et la diversité spatiale des lieux d’embarquement. Ces indicateurs sont appliqués pour comparer la régularité de dix groupes de cartes distincts définis en fonction de leur composition tarifaire. Face aux limites des tests statistiques traditionnels, sensibles à la taille de l’échantillon, la notion de taille d’effet est introduite pour mieux quantifier l’importance des différences observées entre les groupes. Les résultats révèlent qu’il existe une relation entre l’utilisation du transport en commun et le type de titre utilisé. Les utilisateurs d’abonnements annuels ou mensuels sont en moyenne très réguliers et fréquents, alors que les utilisateurs de carnets de tickets sont des usagers plus occasionnels. De plus, la variabilité d’usage tend à augmenter avec le nombre de titres différents utilisés durant l’année.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».