Automated Mobility-on-Demand Service Improvement Strategy through Latent Class Analysis of Stated Preference Survey
Notice bibliographique
Résumé
Automated driving technologies have advanced remarkably and are expected to be a part of our lives soon. Because automated driving technology does not require a driver, a significant change in future mobility services is expected. Automated driving technology is closely related to the development of public transit services as it can significantly reduce driver labor costs and provide a more comfortable in-vehicle environment. In particular, the preference for automated mobility-on-demand services that can respond in real time to the dynamic demand through automated driving technology is growing. Previous studies have compared passengers’ preferences for automated mobility-on-demand services and other transportation modes and proposed a way to enable more passengers to use automated mobility-on-demand services. However, as the number of pilot operations increases, future research will focus on ways to improve competitiveness among automated mobility-on-demand services. This study conducts a passenger preference survey based on the characteristics of automated mobility-on-demand services. In particular, changes in the in-vehicle environment and seat selection system, which differ from existing mobility-on-demand services due to automated driving technology, are investigated. The latent class modeling approach is used to classify passengers based on stated preference data collected from the survey. The estimation results show that vehicle type and seat choice system have a significant impact on passengers’ preference for automated mobility-on-demand services. In addition, considering that a high percentage of passengers do not prefer to improve autonomy in seat reservation and the in-vehicle environment, this study suggests that cost-consuming service improvement strategies are not always appropriate.
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 ».