Winter Cycling in North American Cities: Climate and Roadway Surface Conditions
Notice bibliographique
Résumé
Winter and adverse weather are mentioned as part of the main deterrence of cycling. However, very little is known about winter cycling practice and its link to both weather and road surface conditions. Despite that cycling research has attracted a lot of attention in the last year, very little empirical evidences have been documented on winter cycling in North American cities. This paper investigates the cycling winter ridership patterns in a set of cycling facilities in three North American cities – Montreal, Vancouver and Portland. For this purpose, a winter cycling retention index is developed and compared across bike facilities in the three different cities, over various winter seasons. Moreover, a winter modeling approach is implemented to empirically quantify the effect of adverse weather conditions on cyclist activity during the winter months in these three cities. Finally, this paper explores the potential effect of winter surface conditions on bicycle ridership in Montreal, Canada. A simple cross sectional analysis in a set of facilities is carried on for this purpose. Among other things, it is found that winter cycling in North American cities like Montreal, Vancouver and Portland is an alternative mode of transportation for an important segment of the population. Among the important weather factors negatively affecting cycling are: high relative humidity with low temperatures, wind speed and precipitation (rain or snow) intensity. The lagged effect of precipitation is also observed in some cases. Sensitivity to weather conditions also varies across cities. Surface conditions also seem to be correlated to cycling retention – higher percentages of cyclists are retained when surface conditions are either “clean and dry” or “bare and wet” compared to snow covered, slushy or icy surface conditions.
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 | 0,011 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».