Notice bibliographique
Résumé
Carsharing systems are the focus of an increasing number of researches. In addition to gaining new members every week, new carsharing systems are being launched around the Globe. In Montreal, carsharing in now part of the transportation strategies to alleviate congestion and contribute to the overall aim of reducing the dependency towards the individual car. Thanks to a continuous partnership with Communauto, the Quebec carsharing operator, it has been possible, in the recent years, to provide quantitative assessment of various aspects of the system, both regarding supply and demand. This paper builds on these previous researches and concentrates on the systematic analysis of the behaviors of members, in terms of transactions and kilometers travelled. Data mining techniques are used to classify members according to various temporal units expressing their behaviors in order to propose a typology. Results show that, with respect to frequency of use, there are two main types of carsharing members in Montreal, high frequency users (≈ 2.2 transactions per week) and low frequency users (≈ 0.4 transactions per week), the later gathering 86% of the members. Results also show, still based on frequency, that there are five types of weekly patterns and that members have a dominant weekly pattern that is, in average, representative of 62% of their weeks. This study shows that weekly patterns change namely during the holiday periods (summer months, December-January). With respect to weekly distance travelled by members, two clusters are also identified, one gathering 87% of the members with an average of 14.3 km travelled per week and the other ones related to higher averages (76.8 km per week). Other classifications are discussed.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».