Improving the Accuracy of the Spatial Transferability of Direct-demand Models for Bicycle Volume Estimation at Intersections
Notice bibliographique
Résumé
Direct-demand (DD) models are used to estimate bicycle exposure (typically expressed as annual average daily bicycle volume [AADB]) when observed counts are unavailable at a site. The DD models typically estimate exposure as a function of site characteristics, such as the geometry, surrounding land use, and sociodemographic characteristics. Developing a DD model requires observed volume counts and associated site characteristics data for many sites in the target jurisdiction. In the absence of this data, it is desirable to apply a DD model from another jurisdiction. However, the naïve transferability of DD models results in AADB estimates with large errors. This paper investigates the use of calibration methods to enhance the spatial transferability of DD models to estimate bicycle volumes at intersections. This paper examined five DD models across four jurisdictions: (1) City of Milton (52 sites); (2) City of Toronto (28 sites); (3) Region of Waterloo (158 sites) in Canada; (4) Pima County (70 sites); and (6) Arizona, US, covering a total of 308 sites. Five local calibration techniques were evaluated for their effectiveness in mitigating errors in naïve estimates. The findings indicate that calibration, particularly regression-based methods, significantly improves the accuracy of the AADB predictions, with calibration Model 3 being the most effective for jurisdictions with less than 80 count sites ( k < 80 ). For k = 5 , Model 3 reduced error by 56%, and Models 3 and 5 achieved up to an 80% error reduction at k = 30 . As more sites became available, Model 5 emerged as the superior calibration method for k ≥ 80 .
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 | 0,008 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».