Spatial Modeling of Travel Demand Accounting for Multicollinearity and Different Sampling Strategies: A Stop‐Level Case Study
Notice bibliographique
Résumé
Stop‐level ridership data serve as a basis for various studies toward increasing bus patronage and promoting sustainable land use planning. To address limitations found in previous studies, this study proposes a novel approach based on Geographically Weighted Principal Component Analysis (GWPCA) and Ordinary Kriging to predict the stop‐level boarding or alighting data along bus lines in São Paulo (Brazil), considering four different sampling methods. The main contributions are as follows: by accounting for the spatial heterogeneity of the predictor dataset, the GWPCA can identify the most important factor affecting transit ridership even in bus stops with no information on boarding and alighting; the spatial modeling of stop‐level ridership data using GWPCA components as explanatory variables allows visualizing the spatially varying effects from predictors on ridership, supporting the land use planning at a local level; GWPCA coupled with kriging simultaneously addresses the multicollinearity of predictor data, its spatial heterogeneity, and the spatial dependence of the stop‐level ridership variable, thus enhancing the goodness‐of‐fit measures of the transit ridership prediction in unsampled stops; and a balanced sample on predictor data and well‐spread in the geographic space might be preferred to accurately estimate missing stop‐level ridership data. In addition to solve the lack of stop‐level ridership data, supporting a reliable bus system planning, the proposed method indicates what predictors should be addressed by policymakers to stimulate a transit‐oriented development. The method can be successfully applied to other travel demand variables facing a lack of data such as traffic volume in road segments and mode choice at the household level.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».