Modélisation des interactions entre les modes de transport par l'intégration de sources diversifiées de données
Notice bibliographique
Résumé
RÉSUMÉ: Cocktail transport, mobilité intégrée et multimodalité/intermodalité sont des termes de plus en plus répandus dans le domaine de la mobilité urbaine. En outre, la diversification des modes de transport est généralement présentée comme un moyen de réduire la dépendance à l’automobile, et donc de tendre vers une mobilité plus durable. Cependant, les bénéfices de cette plus grande disponibilité de modes restent à clarifier. Chaque mode étant habituellement analysé de manière indépendante, son rôle et ses interactions avec les autres moyens de transport sont encore mal compris. En particulier, des questions se posent sur le sens de la relation (complémentaire ou concurrentielle) entre les nouveaux services de mobilité partagée et le transport en commun. De même, peu d’outils ont été développés pour modéliser plusieurs modes simultanément. L’effet anticipé des stratégies de planification sur la répartition modale repose ainsi souvent sur des hypothèses simplificatrices. Ces lacunes sont notamment dues à des enjeux méthodologiques. En effet, plusieurs ensembles de données indépendants doivent être combinés pour pouvoir considérer tous les modes en même temps. De plus, des analyses longitudinales sont nécessaires afin de suivre la variabilité d’utilisation de chaque mode. Dans cette perspective, cette thèse vise à valoriser de multiples sources de données afin de qualifier et quantifier les interactions entre différents modes de transport urbains. Pour ce faire, la ville de Montréal est étudiée dans six articles. L’utilisation de plusieurs modes, classiques (automobile privée, transport en commun, vélo, taxi) et plus récents (autopartage, vélopartage), est décrite à partir de deux grands types de données : les enquêtes ménages déplacements de la région de Montréal, dites enquêtes Origine-Destination, et différents flux passifs (transactions, comptages, etc.). Les avantages (et inconvénients) de ces deux grands types de données ont souvent été confrontés dans la littérature mais peu de travaux ont tenté de les coupler. Pourtant, les informations multimodales contenues dans l’enquête et la longitudinalité des données passives sont deux caractéristiques intéressantes à rassembler pour l’analyse de l’utilisation de différents modes.» ABSTRACT: Mobility as a Service (or MaaS) and multimodality/intermodality are increasingly common terms in the field of urban mobility. Moreover, diversification of transport modes is generally presented as a way to reduce car dependency, and thus to move towards more sustainable mobility. However, the benefits of this greater availability of modes remain to be clarified. As each mode is usually analyzed independently, its role and interactions with other modes of transport are still poorly understood. In particular, there are questions about the direction of the relationship (complementary or competing) between new shared mobility services and transit. Similarly, few tools have been developed to model multiple modes simultaneously. The anticipated effect of planning strategies on modal split is thus often based on simplifying assumptions. These shortcomings are due in part to methodological issues. Indeed, several independent data sets must be merged to consider all modes at the same time. In addition, longitudinal analyses are needed to monitor the variability in the use of each mode. Within this context, this thesis aims to value multiple data sources in order to qualify and quantify the interactions between different urban transportation modes. To this end, the city of Montreal is studied in six papers. The use of several modes, both traditional (private car, transit, bicycle, taxi) and more recent ones (carsharing, bikesharing), is described using two main types of data: household travel surveys of the Montreal region, called Origin-Destination surveys, and different passive data streams (transactions, counts, etc.). The advantages (and disadvantages) of these two main types of data have often been compared in the literature, but few studies have attempted to link them. However, the multimodal information contained in the survey and the longitudinal nature of the passive data are two interesting characteristics to bring together for the analysis of the use of different modes.»
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».