Data-Driven Multi-Criteria Assessment Framework for Analyzing the Reliability of Bus Services
Notice bibliographique
Résumé
Intelligent systems have been extensively used to improve the reliability of transport services as a result of technological advances. Despite the technical and methodological achievements, public transportation companies are still facing excessive challenges in assessing the performance and reliability of the system. This study establishes a data-driven multi-criteria decision-making model for prioritizing bus routes that illustrates both operator and consumer views on bus routes. The multi-criteria fuzzy outranking process is handled by ELECTRE III and Condorcet methods. The developed model utilizes alternative indices of bus travel-time reliability to fully capture the uncertain nature of the input data. The reliability assessment framework is based on automatic vehicle location (AVL) data which works as an effective evaluation system for enhanced service reliability on different routes network-wide. Using this model, bus transport companies can set a benchmark and a reliable ranking system for their bus routes. This hybrid prioritization framework is used for characterizing and enhancing transport network efficiency. The effectiveness of the model is examined by quantifying the reliability of eight bus routes controlled by the Qazvin public transportation system, in Iran. A wide range of AVL data sources is employed within an in-depth statistical analysis based on both user and operator preferences. According to the concordance matrix results, line 18 has been found to be superior to other bus routes, and the possibility of identifying less efficient bus routes has been fulfilled.
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 | 0,015 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».