Modelling Annual Bike Share Ridership at Hubs with Bike Share Expansion in Mind
Notice bibliographique
Résumé
Public bike share systems have been recognized as an effective way to promote active and sustainable public transportation. With the health benefits of bike share becoming better understood, North American cities have continued to invest in cycling infrastructure and impose new policies to not only encourage the usage of bike share systems but also expand their operations to new cities. The city of Hamilton, Ontario, implemented its own bike share system in March 2015. Using the system’s global positioning system (GPS) data for annually aggregated trip departures, arrivals, and totals in 2017, this research explores various environment factors that have an impact on users’ bike share usage at hub level. Nine predictive linear regression models were developed for three different scenarios depending on the type of hubs and members for trip departures, arrivals, and totals. In terms of variance explained across the core service area, the models suggested the main factors that attract users were distance to McMaster University and the number of racks available at hubs. Furthermore, the working population and distance to the Central Business District and the closest bike lane in the immediate vicinity (200 m buffer) also played important roles as contributing factors. Based on the primary predictors, this research takes one step further and estimates potential trips at candidate sites to inform future expansion of public bike share system. The candidate locations were created on appropriate land uses by applying a continuous surface of regularly shaped cells, a hexagonal tessellation, on the area of interest. The estimated potential usage at candidate sites demonstrated that the east part of the city should be targeted for future bike share expansion.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,106 | 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 ».