Méthodologie de génération de trajets multimodaux dans un contexte de covoiturage
Bibliographic record
Abstract
Enfin, merci aux copains et QLF RÉSUMÉCe projet de recherche consiste à créer une méthode de génération de trajets multimodaux dans un contexte d'outil de covoiturage.À la suite d'une demande de déplacement d'un utilisateur pour se rendre d'une origine O à une destination D, le système génère un ensemble de trajets multimodaux (voiture, bus, train, métro) répondant à cette demande et se prêtant au covoiturage.Le segment routier est alors considéré comme réalisable en covoiturage.Les différents conducteurs ayant proposé leur trajet dans l'outil de covoiturage sont alors classés en fonction du détour que leur entraînerait le covoiturage et les meilleurs jumelages sont alors étudiés plus finement grâce à un calculateur de chemin pour finalement proposer à l'utilisateur les meilleures options de covoiturage.Ces options peuvent contenir des segments de transport en commun.La génération de trajets multimodaux se fait grâce à un graphe multimodal, qui est la jonction d'un graphe routier, d'un graphe de transport en commun et d'un graphe de transition qui a pour rôle de simuler la transition entre ces deux réseaux.Le graphe multimodal se base sur les données géographiques telles que les fichiers GTFS, le réseau routier et des données d'utilisation du sol issues de la plateforme OSM.Grâce à la théorie des graphes, les meilleurs chemins sur ce graphe représentent alors les meilleurs trajets multimodaux sur le réseau.Un trajet multimodal généré par le graphe comprend l'origine et la destination des différents segments unimodaux, les lignes de transport en commun empruntées s'il y a lieu, ainsi que le lieu exact de rencontre si un covoiturage doit être effectué.Le graphe multimodal du réseau montréalais est enfin créé afin de mettre à l'épreuve la méthodologie énoncée et de quantifier les erreurs et approximations du système.D'abord, les temps de parcours prévus par le graphe multimodal sont comparés aux temps de parcours calculés par Google Maps pour les mêmes trajets.Ces comparaisons sont réalisées successivement sur le graphe routier artériel (graphe simulant l'utilisation des autoroutes et grandes artères du réseau de Montréal), sur le graphe routier dans son ensemble puis sur le graphe de transport en commun.Ensuite, la méthodologie est mise face à une situation réelle où les 19 386 trajets de l'enquête Origine-Destination 2008 sont considérés comme des demandes de covoiturage.On analyse alors la pertinence des jumelages entre covoitureurs que la méthodologie propose.Pour ces tests, c'est un graphe allégé qui a été construit, un graphe dont la construction suit la méthodologie énoncée pour sa géométrie, mais dont le calcul des temps de parcours sur les liens v est simplifié par rapport à ses directives, le but premier étant de valider la capacité de la méthodologie générale à générer des trajets multimodaux comprenant du covoiturage.Ce graphe allégé montre ses lacunes dans le calcul des temps de parcours en transport en commun notamment.Néanmoins, la plupart des erreurs relevées lors des tests sont facilement corrélables à la simplification du processus de construction du graphe.Les résultats restent très encourageants, avec en moyenne une différence de temps de parcours routier entre le graphe et le calcul par Google Maps d'une dizaine de minutes et avec un système dont 2 fois sur 3 le meilleur jumelage calculé par Google Maps.Finalement, la méthodologie en question, pouvant toujours être améliorée, semble être une bonne piste pour générer des trajets multimodaux et jumeler des covoitureurs autour de ces mêmes trajets.Des tests menés sur un graphe multimodal complet, dont la construction suivrait parfaitement les règles de la méthodologie, permettraient de bien quantifier les erreurs commises et de voir les perspectives d'amélioration potentielles de la méthodologie.vi
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".