Data-Driven Bike-Share Ridership Prediction and Network Optimization
Notice bibliographique
Résumé
Shared micro-mobility systems, particularly station-based bike-sharing networks, have become key components of urban transportation, yet their planning remain challenged by spatial and technological complexities. This dissertation develops integrated models for ridership prediction, station placement optimization, and electrification planning to address these challenges. First, a customized Graph Neural Network framework using GraphSAGE is introduced for station-to-station ridership prediction, integrating network topology, sociodemographic features, and station attributes. Applied to Toronto, the model outperforms linear, spatial, and tree-based benchmarks, demonstrating its ability to capture latent dependencies and support demand-responsive planning. Second, a continuum approximation model is proposed for station placement optimization, using a force-based algorithm that balances attraction from demand centers with inter-station forces. This ridership-driven approach departs from conventional accessibility methods by directly aligning locations with demand. Applied to Vancouver, the model reveals optimal spacing patterns and highlights strategies for ridership-driven network expansion under varying demand conditions. Third, the dissertation extends infrastructure planning to electrified systems by introducing a two-dimensional Markovian state-of-charge framework for e-bikes. A heuristic charger deployment algorithm, enhanced by a single-pooling state approximation, maximizes expected ridership and identifies high-impact charging locations, achieving near-optimal performance in case studies from Pittsburgh, Vancouver, and San Francisco. Finally, the models are integrated into a web-based, GIS-enabled decision-support tool that combines predictive, prescriptive, and descriptive analytics to enable scenario-based planning. Demonstrations in Toronto and Vancouver illustrate the tool’s scalability and practical value. This research advances methodological foundations and practical tools for developing resilient, data-driven, and electrified bike-sharing networks across diverse urban environments.
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 | 0,003 |
| 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 | 0,000 | 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) | 0,002 | 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 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 ».