Exploring the Effects of Information and Communication Technology on Travel Within an Activity-Based Travel Demand Modeling System
Notice bibliographique
Résumé
Activity-based travel demand models (ABMs) have the capacity to represent emerging activity dimensions; however, they lack integration of physical and virtual activity spaces. This study introduces a novel ABM framework that captures the dynamic interactions between physical–virtual activity spaces and implements it within an integrated transport, land-use, and emission framework. The study develops information and communication technology (ICT) adoption models, such as internet access and device ownership, into the agent-based structure. Markov chain Monte Carlo (MCMC) and conditional probability algorithms are utilized to schedule activities in physical and virtual environment reflecting factors, such as work arrangements, employment status, mobility and ICT tool ownership. Comprehensive calibration and validation processes are performed to ensure that the model can generate population mimicking real-world conditions. A prototype version of the model is implemented for the Halifax Regional Municipality (HRM), Canada. A scenario simulation is conducted that examines the impacts of ICT tool and virtual work adoption on activity-travel patterns. Results show that increased ICT tool adoption significantly boosts the duration of virtual maintenance and discretionary activities while reducing time spent on mandatory activities. A 10% rise in virtual work reduces vehicle kilometers traveled (VKT) in HRM by 51,800 km/day and lowers carbon dioxide (CO 2 ) emissions by 6.216 metric tons/day. The study confirms the complex, nonlinear impacts of ICT on travel, while showing the potential of virtual-work in reducing peak-hour travel and VKT. The developed tools in this study can aid policymakers in assessing the impacts of virtual activities on transport and land use systems and help achieve regional sustainability goals.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».