Using Realtime GTFS to generate easy-to-use transit accessibility measures under travel time uncertainty
Notice bibliographique
Résumé
Previous studies on measuring transit accessibility under travel time uncertainty often introduced complex measures based on non-standard data formats, hindering reproducibility and replicability in research and planning. To address this, we present a practical framework that leverages a standardized format for real-time transit data: Realtime General Transit Feed Specification (GTFS), to generate easy-to-use transit accessibility measures under travel time uncertainty. This framework first produces two datasets by correcting Scheduled GTFS data using Realtime GTFS information: Realtime P50 GTFS and Realtime P85 GTFS, which are used to compute two accessibility measures : median-corrected accessibility (using Realtime P50 GTFS) and dispersion-corrected accessibility (using Realtime P85 GTFS). These accessibility measures are applied in Columbus, Ohio, USA for an empirical study examining how overlooking travel time uncertainty issues can distort the analysis results of healthcare accessibility, inequality, and new transit project evaluation. Results indicate that scheduled accessibility (using Scheduled GTFS data) which overlooks travel time uncertainty overestimates healthcare accessibility by approximately 10.97 %. Moreover, this oversight fails to capture the benefits of the new transit service in improving accessibility and reducing inequality. Furthermore, although findings consistently suggest that lower-income neighbourhoods experience greater gains in healthcare accessibility compared to wealthier counterparts, our analysis unveils statistically significant differences when using the scheduled and dispersion-corrected accessibility measures. These findings underscore the importance of incorporating travel time uncertainty into public transit planning and evaluation. Our framework allows transit authorities and researchers to accurately measure accessibility and evaluate projects under travel time uncertainty using a standardized data format.
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 | 0,007 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».