Analysis of the Impact of Ride-Hailing on Urban Road Network Traffic by Using Vehicle Trajectory Data
Notice bibliographique
Résumé
The growth of ride-hailing services has made people’s daily commutes more convenient but has increased traffic on the road. However, the data needed to verify the impact of ride-hailing services on the urban road traffic network are lacking. This study matches data on the trajectories of different kinds of vehicles in Xuancheng city in the urban road network by using vehicle information data, ride-hailing information data, and license plate data recorded by the traffic bayonet system from December 26, 2018, to January 25, 2019. We used two indices, the detecting intensity and the detecting rate, to analyze the characteristics of travel based on ride-hailing services in Xuancheng. The results show that the ride-hailing vehicles have obvious travel characteristics of morning peak and evening peak, and in central urban areas and through the proposed indices of the travel time occupation rate and the travel space occupation rate to further quantitatively analyze the spatial and temporal characteristics of travel of different kinds of vehicles. Following this, we calculated the average ratios of different kinds of vehicles on congested sections of the road network and used simple regression to analyze the relationship between this and the average speed on these sections to quantitatively analyze the impact of ride-hailing on traffic congestion. The work here can provide effective decision-making support to the government for managing travel based on ride-hailing services.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».