Mining Multimodal Travel Patterns of Metro and Bikesharing Using Tensor Decomposition and Clustering
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multimodal transportation systems, particularly those combining metro and bikesharing, have become central to addressing the first- and last-mile connectivity challenges in urban environments. This study presents a comprehensive data-driven framework to analyze the spatiotemporal interplay between metro and dockless bikesharing usage using real-world data from Tianjin, China. Two primary methods are employed: K-means clustering is used to categorize metro stations and bike usage zones based on temporal demand features, and non-negative Tucker decomposition is applied to a three-way tensor (day, hour, station) to extract latent mobility modes. These modes capture recurrent commuting and leisure behaviors, and their alignment across modes is assessed using Jaccard similarity indices. Our findings reveal distinct usage typologies, including mismatched (misalignment of jobs and residences), employment-oriented, and comprehensive zones, and highlight strong temporal coordination between metro and bikesharing during peak hours, contrasted by spatial divergence during off-peak periods. The analysis also uncovers asymmetries in peripheral stations, suggesting differentiated planning needs. This framework offers a scalable and interpretable approach to mining multimodal travel patterns and provides practical implications for station-area design, dynamic bike rebalancing, and integrated mobility governance. The methodology and insights contribute to the broader effort of data-driven smart city planning, especially in rapidly urbanizing contexts.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle