Pedal preferences: GPS-based panel data insights into bike share traffic flow across membership groups
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Bike share systems promote sustainable transportation and active mobility. Understanding spatiotemporal usage patterns and influencing factors is crucial for equitable and effective policies. This study analyzes a full year of Global Positioning System-tracked bike share trip data from Hamilton, Ontario, to examine the travel behaviors of three membership types: Monthly and Seasonal Members, Pay-As-You-Go riders, and McMaster Monthly Pass holders. We employ descriptive statistics to analyze trip start times and the most frequently used routes, alongside a two-way fixed-effect binary logistic model to investigate bike share traffic at the road-and-day level, providing detailed insights into the determinants of bike share usage. Findings reveal that different membership types exhibit distinct spatiotemporal usage patterns and preferences regarding land use, infrastructure, sociodemographics, and events affecting bike-share road traffic. Only Monthly and Seasonal Members display consistent commuting patterns throughout the year. McMaster Monthly Pass holders dominate during the school semester following the introduction of a discounted pass for undergraduate students. Furthermore, Monthly and Seasonal Members are more likely to cycle on roads adjacent to parks, while McMaster Monthly Pass holders show lower sensitivity to extreme temperatures. Precipitation, darkness, slope, and holidays consistently deter bike share usage. Policy recommendations include expanding fare discount programs, improving wayfinding, organizing cycling events during holidays, and enhancing winter road maintenance for heavily used cycling routes. This study highlights differences in usage patterns, distinct preferences, and varying sensitivities to factors affecting bike share traffic flow among membership types, offering robust insights through a long study period and detailed road-level data.
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.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle