Data‐Driven Approach for Passenger Assignment in Urban Rail Transit Networks: Insights From Passenger Route Choices and Itinerary Choices
Notice bibliographique
Résumé
Congestion in urban rail transit (URT) systems often results in passengers being left behind on platforms due to trains’ reaching capacity. Distinguishing between the travel choice behaviors of passengers who board the first arriving train (Type I passengers) and those who are left behind (Type II passengers) in passenger assignment is essential for effective URT passenger management. This paper proposes a data‐driven passenger‐to‐train assignment model (DPTAM) that leverages automated fare collection (AFC) data and automated vehicle location (AVL) data to differentiate between the travel choice behaviors of the two types of passengers. The model comprises two modules based on passenger travel choice behavior: the passenger route choice model (PRCM) and the passenger itinerary choice model (PICM). The PRCM employs a granular ball–based density peaks clustering (GB‐DP) algorithm to estimate passengers’ route choices based on historical data, enhancing precision and efficiency in passenger classification and route matching. The PICM incorporates tailored itinerary selection strategies that consider train capacity constraints and schedules, enabling accurate inference of passenger itineraries and localization of their spatiotemporal states. The model also estimates train loads and left‐behind probabilities to identify congested periods and sections. The effectiveness of DPTAM is validated through synthetic data, demonstrating superior assignment accuracy compared to benchmarks. Additionally, real‐world data from Chengdu Metro reveal the impact of congestion on travel behavior and effectively identify congested periods and high‐demand stations and sections, highlighting its potential to enhance URT system efficiency and passenger management.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».