On the Application of Probabilistic Route Choice Models to Urban Rail Transit Networks Containing Small‐Scale OD Trip Data
Notice bibliographique
Résumé
Modeling passenger route choices is crucial for analyzing and predicting public transportation demand. One of the most popular methods is to use probabilistic route choice (PRC) models (also known as discrete choice models in general), which have broad applications in transportation, economics, politics, and other fields. However, its performance varies depending on the characteristics of the origin–destination (OD) trip data and should be examined carefully. This paper proposes a framework for validating the PRC model on its application to urban rail transit (URT) networks containing small‐scale OD trip data. The concept of small‐scale data is defined at first for each OD pair considering the desired confidence level and the variance of route choices. Then, a travel time range (TTR)‐based method is put forward to deduce passengers’ actual route choices as a benchmark for verifying PRC models. The difference and regularity analysis between the actual route choices and the model predictions are also performed with a twofold comparison. A case study on the Nanchang metro in China shows that the actual daily passenger volumes on routes of small‐scale OD pairs diverge remarkably from the estimations of the PRC model. The PRC model’s performance is further discussed when the small‐scale OD trip data accumulate to a larger scale over multiple days (e.g., several months). This study reveals the inherent limitation of PRC models in estimating the travel behaviors of passengers in a small‐scale population. Several practical implications are discussed to improve the route choice model and passenger flow analysis.
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 | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».