Assessing the Impact of Trip Chains on Travel Behavior
Notice bibliographique
Résumé
RÉSUMÉ: Comprendre les comportements de mobilité des personnes est une tâche complexe qui nécessite beaucoup d'études et de recherches. Au fil des années, plusieurs approches et méthodes ont été utilisées pour aborder ce problème. Le choix modal, c'est-à-dire le processus de choix du moyen de transport avec lequel une personne effectue ses déplacements, a toujours été l'un des aspects les plus importants et les plus marquants du comportement de mobilité. Les modèles de choix modal ont donc été et restent un élément essentiel de toute planification et politique de transport réalisée ou à réaliser. Diverses variables et facteurs affectent ces modèles, tels que le temps de déplacement, la distance, le coût et bien d'autres. Un des facteurs qui est moins considéré dans la littérature est celui de la chaîne de déplacements (l'ensemble des déplacements, avec toutes les activités qui y sont associées, qui commencent et se terminent au domicile). Ceci se reflète par le manque de modèles de choix basés sur les chaînes (également connus sous le nom de modèles basés sur les tournées) par rapport aux modèles basés sur les déplacements qui considèrent chaque déplacement indépendamment sans le contexte des chaînes dont ils font partie. Un autre facteur qui affecte le modèle de choix modal est l'outil utilisé dans le processus. Ces dernières années, et avec les progrès de la puissance de traitement des données, les algorithmes d'apprentissage automatique ont gagné en popularité en tant que base des outils de modélisation du choix modal, comme la forêt aléatoire qui a donné des résultats impressionnants. Cependant, ces algorithmes ont rarement, voire jamais, été utilisés dans le contexte des modèles basés sur les chaînes de déplacement. Cette recherche vise donc à évaluer l'impact des chaînes de déplacements sur le comportement des personnes, en particulier sur le choix modal. Le but est de voir comment un modèle de chaînes de déplacements basé sur une forêt aléatoire peut être performant sur la base des données de la Grande Région de Montréal et comment les caractéristiques de la chaîne évoluent et affectent le comportement de mobilité. Pour y parvenir, trois objectifs principaux doivent être atteints: 1) Mener une analyse exploratoire des tendances des chaînes de déplacements au fil des ans. 2) Identifier les déterminants du choix modal des chaînes de déplacements et explorer la relation entre les variables explicatives et le choix modal des chaînes. 3) Tester l'efficacité de l'algorithme d'apprentissage automatique " forêt aléatoire " comme outil de modélisation du choix modal au niveau de la chaîne de déplacement.» ABSTRACT: Understanding travel behavior of people is a complex matter that requires a lot of studies and research. Throughout the years several approaches and methods were used to tackle this problem. Mode choice, the process by which a person selects their transportation mode, has always been one of the most important and prominent parts of travel behavior. Mode choice models, therefore, were and remain an essential part of any transportation planning and policies made or to be made. Various variables and factors affect these models such as travel time, distance, cost, and many others. One type of factors that is less represented in the literature is that of the trip chain (the sequence of trips, with all its associated activities that ends and begins at home). This is extremely evident by the lack of chain-based (also known as tour-based) choice models when compared to trip-based models that consider each trip independently without the context of the chains they are embedded in. Another factor that affects the mode choice model is the tool used in the process. In recent years, and with the advancement of computational power, machine learning algorithms have gained a lot of popularity as the basis of mode choice modeling tools, such as the random forests which showed impressive results with respect to their predictive capabilities. However, the use of these algorithms has rarely if ever been used in the context of trip-chain-based models. As such this research aims to assess the impact of trip chains on travel behavior, especially the modal choice. The goal is to see how well a random forest trip-chain-based model can perform based on data from the Greater Montreal Area and how chain variables are evolving and affecting travel behavior. To achieve this three main objectives need to be attained: 1) Conduct exploratory analysis of trip chaining trends over the years. 2) Identify the determinants of trip chain mode choice and explore the relationship between the explanatory variables and chain mode choice. 3) Test how well the machine learning algorithm “random forest” functions as a tool to model mode choice at the trip chain level.»
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».