Graph theory based transit indicators applied to ridership and safety models
Notice bibliographique
Résumé
Public transportation systems are a fundamental necessity in current times where sustainability and rising safety costs are important concerns to government officials and the general public. Therefore, the design of public transportation systems is an area of great interest for researchers and practitioners. Nonetheless, there is usually little analysis of network properties during transit design and planning. Moreover, due to the lack of empirical tools, there is not much consideration of transit safety at the planning stage . In this research, a study was performed to explore zonal based network properties applied to bus systems. A new technique to measure network connectivity was developed and applied to a real-world transit system, which in addition to the relationship between edges and vertices, incorporated the influence of transit operational factors (i.e. frequency of routes). Additionally, the effect of bus route transfers was analyzed and modeled by adding intermediate walking transfer links between bus stops. The calculated network properties were applied as explanatory variables in the development of macro-level ridership and collision prediction models. The proposed methodology was applied to the Greater Vancouver Regional District (GVRD) public transportation system and its 577 traffic analysis zones. The developed mathematical models include, seven multiple linear regression models which explain transit commuting ridership. The regression models revealed that ridership is positively linked to network characteristics such as coverage, connectivity, complexity and, the local index of transit availability (LITA). In addition, 35 collision prediction models were developed using a Generalized Linear Regression technique, assuming a Negative Binomial error structure. The safety models showed that increased collisions were associated with transit network properties such as: connectivity, coverage, overlapping degree and the LITA. As well, the models revealed a positive relation between collisions and transit physical and operational attributes such as number of routes, frequency of routes, bus density, length of bus route and 3+ priority lanes, among others.
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 | 0,001 | 0,005 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».