Leveraging System Intelligence from Massive Smart Card Database to Support Operational and Strategic Objectives of a Transit Agency
Notice bibliographique
Résumé
Transit agencies have long been operating in data-poor environments. They have been relying on labour-intensive and project-specific data collection, which are often sparse and costly. Recently, the adoption of technologies that generate passive data streams has become increasingly common. One of such technologies is the smart card automatic fare collection (AFC) system which provides a massive database containing detailed and up-to-date fare validation records. An important preoccupation of both practitioners and researchers is to transform the raw and often partial data into useful information. Various aspects of a transit agency, from day-to-day operations to strategic rethinking of the transit system, can benefit from such intelligence. While data timeliness of smart card data is an obvious advantage over other data collection methods, data organization and processing are important issues. Each application, aiming to tackle a specific problem, requires a different approach and data enrichment procedure. Drawing data and experience from the Montreal region, which currently operates an extensive multi-region, multimodal and multi-operator smart card AFC system that generates two million transactions per day, this paper presents contributions of smart card intelligence within a regional transit authority context by showcasing several real-world applications on transit services, transit equipment and fare use. Smart card data analytics provide different departments within the organization and among partner organizations in the region access to up-to-date and previously unavailable information. This in turn allows them to make more informed decision on policies and plans. The future of public transit relies greatly on adequate data and intelligence. The next steps would be to expand the number of applications, to put in place a structure that facilitates systematic and corporate use of the data and to increase cooperation among partner organizations.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».