Unveiling mobility patterns beyond home/work activities: A topic modeling approach using transit smart card and land-use data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, a probabilistic topic modeling algorithm called Latent Dirichlet Allocation (LDA) is implemented to infer trip purposes from activity attributes revealed from smart card transit data in an unsupervised manner. While most literature focused on finding patterns for home and work activities, we further investigated non-home and non-work-related activities to detect patterns associated with them. Temporal attributes of activities are extracted from trip information recorded by Tehran subway’s automatic fare collection system. In addition, land-use data is also incorporated to further enhance spatial attributes for non-home/work activities. Various activity attributes such as start time, duration, and frequency in addition to land-use data are used to infer the activity purposes and patterns. We identified 14 different patterns related to non-commuting activities on the basis of both their temporal and spatial attributes including educational, recreational, commercial, and health and other service-related activity types. We investigated passengers’ activity pattern and behavior changes before and during COVID-19 pandemic by comparing the discovered patterns. For recreational patterns it is revealed that not only has the number of recreational patterns dropped, but also the duration of recreational activities decreased. Morning patterns of educational activities have also been eliminated and number of commercial activities was decreased during COVID-19. The proposed model demonstrates the ability to capture travel behavior changes for different disruptions using smart card transit data without performing costly and time consuming manual surveys which can be useful for authorties and decision makers.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle