Spatial impacts of on-demand transit service for transit stop and neighborhood ridership
Notice bibliographique
Résumé
• Develops a generalized framework leveraging standard city data sources for the impacts of on-demand transit service. • Characterizes the accessibility and connectivity of on-demand transit service between transit stops and neighborhoods. • Analyzes the collective effects of individual stop-level and neighborhood-level characteristics on ridership. • Develops a multilevel model considering lower and higher hierarchical attributes for on-demand transit ridership analyses. On-demand transit service is being rapidly adopted by many transit agencies due to its advantages on improved mobility. As an emerging service, its implications for ridership and neighborhood improvement of a city are crucial for long-term development. To this end, this paper proposes a framework leveraging standard city data sources to analyze and evaluate the spatial impacts of on-demand transit services for ridership in transit stops and neighborhoods. The utilization of standard data sources enables the framework to be accessible and applicable to vast cities operating on-demand services. A case study of analyses is conducted with real-world data including trips, city census and land use factors at the City of Regina, Canada. We investigated the impacts of on-demand transit accessibility and connectivity, land use and socioeconomic factors on transit stops and neighborhoods. Results indicate that the accessibility and connectivity of the on-demand transit stops positively impact the ridership. It is also found that demand for on-demand transit service is higher for neighborhoods with lower population and income. This indicates the necessity of on-demand transit services for the disadvantaged population. The proposed methods and data sources in this study can serve as a transferable framework for vast on-demand service evaluations. Moreover, the findings of this study also highlight the positive impact of on-demand transit services in shaping transit ridership and neighborhood public transportation.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».