Understanding bus delay patterns under different temporal and weather conditions: A Bayesian Gaussian mixture model
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 public transit systems, bus delays significantly impact service reliability and passenger satisfaction. Causal delays, consisting of link running and stop dwell delays, are critical factors contributing to overall bus delay patterns. This paper develops a Bayesian probabilistic model to analyze bus delay patterns with a focus on causal delays under varying weather and temporal conditions, which can help to understand how the underlying causal delay patterns contribute to arrival delay patterns. Employing a Gaussian mixture model integrated with a topic model approach, the study analyzes causal delays as multivariate random variables , capturing the influence of temporal and weather conditions on bus service reliability. For model inference, we propose a Markov Chain Monte Carlo (MCMC) sampling method to estimate the model parameters. The analysis is conducted using real-world data from a bus route in Calgary, Canada. We categorize the identified delay patterns into four on-time categories: extreme earliness, moderate earliness, extreme lateness, and moderate lateness. Results indicate that adverse weather significantly influences extreme delay patterns in particular, suggesting the necessity for transit agencies to consider these factors in schedule optimization. Beyond pattern identification , the proposed model offers probabilistic delay estimation, enabling accurate forecasting of future delays based on current conditions and observations. Validation results demonstrate that our probabilistic estimates align closely with observed data, proving the model’s practical applicability in real-time operations and offering actionable insights to enhance the punctuality and efficiency of urban bus services.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 découle