Riding through the pandemic: Using Strava data to monitor the impacts of COVID-19 on spatial patterns of bicycling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
COVID-19 prompted a bike boom and cities around the world responded to increased demand for space to ride with street reallocations. Evaluating these interventions has been limited by a lack of spatially-temporally continuous ridership data. Our paper aims to address this gap using crowdsourced data on bicycle ridership. We evaluate changes in spatial patterns of bicycling during the first wave of the COVID-19 pandemic (Apr - Oct 2020) in Vancouver, Canada using Strava data and a local indicator of spatial autocorrelation. We map statistically significant change in ridership and reference clusters of change to a high-resolution base map. Amongst streets where bicycling increased, we measured the proportion of increase occurring on pre-existing bicycle facilities or street reallocations compared to streets without. In all our analyses, we evaluate patterns across subsets of Strava data representing recreation, commuting, and ridership generated by women and older adults (55 + ). We found consistent and unique patterns by trip purpose and demographics: samples generated by women and older adults showed increases near green and blue spaces and on street reallocations that increased access to parks, and these patterns were also mirrored in the recreation sample. Commute ridership highlighted distinct patterns of increase around the hospital district. Across all subsets most increases occurred on bicycle facilities (pre-existing or provisional), with a strong preference for high-comfort facilities. We demonstrate that changes in spatial patterns of bicycle ridership can be monitored using Strava data, and that nuanced patterns can be identified using trip and demographic labels in the data.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle