Route Choice Modelling for Urban Commuters: Considering Bridge choice as a key determinant of selected routes
Notice bibliographique
Résumé
Trip assignment is still a modelling and prediction challenge. For aggregate analyses, traditional trip assignment approaches may suffice. However, investigations of drivers’ choices with respect to network infrastructure changes require more disaggregate and behavioural approach. Effects of critical infrastructure elements in the network on route choice behaviour of the drivers are often crucial to investigate. The case of Montreal is of particular interest since the city, an Island, is completely separated from the rest of the region by two important rivers. Consequently, drivers have to select one of the available bridges to reach their destination. The research relies on a set of observed trips with bridge declaration from a large-scale travel survey conducted in 2008. It is a one-day trip diary reaching some 4% of the residing population and including the bridge chosen in the itinerary for car driver trips. The paper provides a descriptive analysis of the bridges and their usage. An advanced discrete choice model that jointly models choice set formation and final choice is then formulated and estimated using the observed trips. Empirical model correctly identifies effects of travel time interacting with time of day and destination trip purpose. Travellers are more sensitive to travel time during off-peak period. Empirical results show that age, gender and household auto ownership explain the variation of scale parameters of route/bridge choice; for instance, older people show more stable route/bridge choice behaviour than younger ones. Discussion on the performance of the model is provided along with further result analysis and perspectives for further work.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».