A systematic scoping review of methods for estimating link-level bicycling volumes
Notice bibliographique
Résumé
Estimation of bicycling volumes is essential for the strategic implementation of infrastructure and related transport elements and policies. Link-level volume estimation models (models that estimate volumes on individual street segments) allow for understanding variation in bicycling volumes across an entire network at higher spatial resolution than area-level models. Such models assist transport planners to efficiently monitor network usage, to identify opportunities to enhance safety and to evaluate the impact of policy and infrastructure interventions. However, given the sparsity and scarcity of bicycling data as compared to its motorised counterparts, link-level bicycling volume estimation literature is relatively limited. This paper conducts a scoping review of link-level bicycling volume estimation methods by implementing systematic search strategies across relevant databases, thereby identifying appropriate studies for the review. The review resulted in some interesting findings. Among all the methods implemented, direct demand modelling was the predominant one. Not a single study implemented multiple modelling approaches in the same study area, thereby not allowing for comparison of these approaches. Most studies were conducted in the United States. It was also observed that there exists a lot of heterogeneity in the reporting of basic study characteristics and validation results, sometimes to the extent of not reporting these at all. The study presents the different types of data used in modelling (count, travel survey, GPS data) along with an array of popular explanatory variables that can inform future studies about data collection and variable selection for modelling. The study discusses the strengths and limitations of different methods and finally presents recommendations for future research.
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 | 0,116 | 0,397 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,010 | 0,013 |
| Bibliométrie | 0,050 | 0,040 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,006 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».