The Issue of Subway Commuters’ Departure Time Choices under the Influence of Bike‐Sharing
Notice bibliographique
Résumé
Bike‐sharing has a significant impact on commuters’ rational planning of their travel times, which can lead to an advance or delay in the peak passenger flow of the subway system during the morning peak. To explore the impact of bike‐sharing on subway commuters’ choices of departure times, we developed a departure time choice model considering the effect of bike‐sharing. This model considers both constant and linear marginal‐activity utility and compares it with traditional departure time choice models. Research indicates that within the timeframe that ensures on‐time arrival at work, models not accounting for bike‐sharing services underestimate both the departure rate and the total number of commuters compared to actual figures. Specifically, under the constant marginal‐activity utility, about 6.76% of commuters actually choose to depart earlier, while under the linear marginal‐activity utility, this figure is 6.91%. Conversely, during the departure timeframes that lead to late arrival at work, the traditional model overestimates both the departure rate and total number of commuters. Finally, through case analysis, we further revealed the dynamic relationship between commuter departure rates, commuting fatigue, and number of bike‐sharing and calculated the actual commuting costs for different proportions of bike‐sharing. The results indicate that when the number of bike‐sharing reaches 30% of the commuting demand, it can maximally reduce the commuting costs for commuters by approximately 23.32%. These findings offer a crucial basis for optimizing management strategies for morning peak subway commuting.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».