Identification and Classification of Bus and Subway Passenger Travel Patterns in Beijing Using Transit Smart Card Data
Notice bibliographique
Résumé
Urban public transit has been rapidly developed in recent years. However, given increases in travel volume, the level of service still needs to be improved to meet the satisfaction of passengers. Transit service providers and researchers have focused on improving transit devices, but the service level of public transit has not yet been effectively improved, so more and more research is interested in analyzing the travel patterns of passengers. Compared with traditional survey methods, smart card collection systems—which can collect spatial-temporal information about passengers’ trips—are convenient for the study of bus and subway passengers’ travel patterns. However, the data provided by smart cards have not yet been fully explored. Therefore, this paper proposed a multistep methodology to gather information on the travel patterns of bus and subway passengers in Beijing, China. We conducted statistical analyses and used an unsupervised clustering method to study and classify passengers based on travel patterns. Four groups have been identified: standard commuters, flexible commuters, and two types of low-frequency passengers. Then, a comprehensive analysis was conducted. We also discussed the changes of passengers’ travel time consumption before and after the implementation of customized bus for high-frequency passengers. The analyses indicated that passengers’ travel patterns can provide useful information for transit service providers and can help improve the level of service of urban public transit by promoting the promulgation of local public transport policies and the implementation of customized 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».