Road Management Systems to Support Bicycling: A Case Study of Montreal’s Bike Network
Notice bibliographique
Résumé
Bicycling is a sustainable mode of transportation given its health benefits, reduced air and noise pollution, savings in fuel consumption, and role in shifting demand away from the automobile. A significant increase of bicycle users is an aim of many cities around the world. Responding to this, various cities announced their strategies to extend and/or upgrade their bikeway \nnetworks. However, there is a disconnection between the strategies to support bicycles and road management systems, which are typically used for optimal scheduling of maintenance and interventions for roads’ infrastructure. Traditional road management systems consider neither the need to sustain bicycle pathways at good levels of service, nor consider bicycling demand to prioritize their selection. This thesis extends road management systems to support bicycling networks. This enables the ability to optimally allocate available resources for sustaining the surface of bicycle pathways in good condition, and implement physically-separated bicycle lanes to enhance safety conditions and encourage bicycle ridership. A simple formulation of bicycle demand is proposed; it employs the capabilities of smartphones for collecting and estimating bicycling demand based on GPS trajectories of cyclists. Goal programming optimization is applied to address scheduling of maintenance and upgrade investments of pathways. Two scenarios are investigated with different annual budgets. The results show that the first scenario allows a rapid upgrade of existing bicycle lanes to protected paths while accomplishing good conditions of pavements. However, the second scenario is not able to prevent the deterioration of pavement segments.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».