An Efficient Approach for Identifying Potential Bus Passenger Demand Based on Multisource Data
Notice bibliographique
Résumé
Big data provide massive samples and resources for exploring the operating rules of public transportation. This article proposes a method that combines multiple data sources to identify potential bus passenger flows, aiming to address the issue of insufficient identification accuracy with a single data source. First, the spatially weighted K‐means algorithm and improved DBSCAN algorithm are designed to partition traffic zones and residents’ travel flow OD is extracted based on mobile phone signaling data. Second, using bus IC card data and vehicle trajectory data, a method for identifying bus passenger boarding and alighting stops based on spatiotemporal clustering is proposed and the bus passenger flow OD for each traffic zone is calculated. By comparing the resident travel flow OD with the bus passenger flow OD, we set a threshold for the potential bus passenger demand proportion. Finally, the analysis is conducted using actual data from a city in central China. The city is divided into 43 traffic zones, with the maximum bus passenger flow proportion between zones being 14.9%, the minimum being 5.0%, and the average being 7.2%. The initial threshold for the potential bus passenger demand proportion is thus set to 7.2%, and a sensitivity analysis is conducted by gradually decreasing the threshold in increments of 0.5% to 6.7%, 6.2%, 5.7%, and 5.2%. The corresponding potential bus passenger demand OD pairs between traffic zones are identified as 419, 358, 245, 151, and 51. Urban managers should focus on the 51 pairs with relatively large potential flows to gradually optimize and balance the development of the bus network based on actual conditions. The method proposed provides important theoretical and practical support for effectively optimizing urban bus networks. However, there are limited indicators for identifying potential passenger flows; in the future, more multidimensional indicators will be taken into consideration.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».