Understanding the Spatial Heterogeneity Impact of Determinants on Ridership of Urban Rail Transit Across Different Passenger Groups
Notice bibliographique
Résumé
Accurately understanding the travel demand of urban rail transit (URT) systems is crucial for effective operational management. Despite the recognition that the diversity in human activity patterns results in different travel demands, few studies have thoroughly investigated the heterogeneity among passengers and its impact on URT ridership. This study utilizes smart card data collected from the Beijing Subway to categorize passengers into four groups: tourist passengers, flexible commuters, regular commuters, and life‐oriented passengers, based on their spatiotemporal travel patterns. Furthermore, a Multiscale Geographically Weighted Regression (MGWR) model is employed to examine the relationship between station‐level ridership of URT and its determinants, including the built environment and station properties, for each passenger group. The results indicate that the influence of these determinants on station‐level ridership varies across passenger groups and spatial scales. For instance, regular commuters exhibit lower sensitivity to accessibility on workdays, whereas those unfamiliar with the URT network are more concerned about the bus accessibility in pedestrian‐ or bicycle‐unfriendly areas. Notably, for tourist and life‐oriented passengers, the stations significantly affected by population density are concentrated in areas with a higher proportion of elderly individuals. Conversely, for flexible and regular commuters, these stations are predominantly situated in areas associated with internet technology and scientific research. These findings are valuable for policymakers in designing strategies tailored to different passenger groups to balance trip demand and capacity, thereby improving URT services and promoting a sustainable urban environment.
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 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».