Identification Dockless Bike‐Sharing and Metro Transfer Travelers through Mobility Chain
Notice bibliographique
Résumé
The burgeoning dockless bike‐sharing system presents a promising solution to the first‐ and last‐mile transportation challenge by connecting trip origins/destinations to metro stations. However, the differentiation between metro passengers and DBS riders, as they belong to distinct systems, hinders the precise identification of DBS‐metro transfers. This study introduces an innovative method employing mobility chains to establish spatiotemporal relationships, including spatiotemporal conflicts and similarities, among potential users from both systems. This significantly enhances the precision of user matching. An empirical study in Chengdu validates the method’s increased accuracy and examines travel patterns, yielding the following insights: (1) Introduction of the mobility chain reduces average matched pairs by 28.27% and improves accuracy by 18.36%. The addition of spatial‐temporal similarity further boosts accuracy by 19.32%. (2) Median distances for DBS‐metro access and egress transfers are approximately 950 meters. Short trips of 650–750 meters are prevalent, while trips exceeding 1.5 kilometers lead passengers to opt for alternative modes. (3) Temporal patterns reveal weekday peaks at 8:00, 9:00, and 17:00. On weekends, transfers are uniformly distributed, mainly within urban areas. Suburban stations exhibit reduced weekend activity. These findings can provide valuable insights for enhancing DBS bicycle redistribution, promoting transportation mode integration, and fostering urban transportation’s sustainable development.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».