Analyse de la connectivité des réseaux de transport en commun multimodaux en milieu urbain : étude de cas montréalais
Bibliographic record
Abstract
Le transport routier est responsable d’une part importante des émissions de GES. L’utilisation des transports collectifs à défaut de la voiture individuelle est une ambition que plusieurs paliers gouvernementaux prônent pour réduire la part d’émission reliée à ce secteur. Ceci est accompli non seulement par une augmentation de l’étendue de la couverture, mais également par une diversification de l’offre modale ainsi que par une bonification de la connectivité en vue d’améliorer l’attractivité d’un réseau de transport en commun. \n \nLa connectivité contribue, entre autres, à faciliter un déplacement entre un point d’origine et un point de destination. Elle est évaluée grâce au degré de connexion entre les composantes structurelles d’un réseau. Cependant, l’évaluation porte généralement sur des réseaux monomodaux linéaires où il est difficile d’arrimer les caractéristiques propres à chaque mode, particulièrement pour les modes non conventionnels offrant des déplacements personnalisés. \n \nL’objectif principal de ce projet de recherche est de créer un outil permettant d’évaluer la variation de la connectivité à travers différents réseaux de transport en commun multimodaux, en référence à un réseau donné. L’unité comparative retenue est la durée du chemin le plus court du point de vue de l’usager, en incluant non seulement la durée en véhicule, mais aussi la durée de marche et d’attente, induite par des transferts intermodaux. L’étude de cas se base sur le réseau de transport en commun de l’arrondissement Ville-Marie de la ville de Montréal. À partir de celui-ci, trois nouvelles configurations sont analysées, dont l’une d’elles comprend un service de transport personnalisé sous la forme d’un véhicule entièrement automatisé et connecté. \n \nL’étude a démontré que l’ajout d’une nouvelle offre modale ne permet pas nécessairement d’améliorer la connectivité d’un réseau. Dans les conditions analysées, le scénario présentant le plus d’avantages est celui intégrant un service de transport personnalisé. En effet, la durée pour parcourir l’ensemble des chemins les plus courts est réduite d’environ 18 % comparativement au réseau actuel, dont en moyenne 3 % moins d’attente, en plus d’améliorer la robustesse. Cependant, les trajets comportent en moyenne 5 % plus de transferts. Aucun scénario n’améliore la connectivité à la fois de la centralité, de la directitude et de la robustesse d’un réseau. Par ailleurs, la méthode développée permet de comparer la variation de la connectivité de différentes configurations de réseaux de transport en commun multimodaux en vue d’identifier le scénario le plus adapté aux besoins de développement.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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".