The Effects of Weather on the Current and Future Ridership of Urban Cycling in North America Cities Considering a Changing Climate
Bibliographic record
Abstract
Le travail présenté analyse l'influence des conditions météorologiques sur la demande de cyclisme urbain en suivant deux objectifs : 1) étudier l'impact des conditions météorologiques et de la demande de vélos à l'aide de modèles de séries temporelles et 2) effectuer une analyse climatique pour estimer la demande de vélos en 2050 selon différentes projections de modèles climatiques. Pour le premier objectif, la méthodologie proposée a caractérisé la dynamique temporelle des profils de fréquentation quotidiens et hebdomadaires, identifié les tendances des modèles utilitaires et déterminé les tendances de la fréquentation d'une année sur l'autre tout en contrôlant l'influence des variations météorologiques. Les données historiques des comptages de cyclistes et des conditions météorologiques enregistrées pendant 12 ans sont utilisées pour calibrer les modèles. Dans le deuxième objectif, l'auteur a estimé le profil annuel de la demande de cyclistes pour 2050 sur la base des projections climatiques futures suivant différents scénarios d'émissions. À cette fin, un modèle Extreme Gradient Boost (XGBoost) a été entraîné à l'aide des comptages historiques et des conditions météorologiques mesurées afin de prédire les comptages quotidiens attendus pour l'année à venir. Les résultats montrent une sensibilité significative aux conditions météorologiques et une tendance à l'augmentation constante du nombre de cyclistes à Montréal, qui a bondi pendant la pandémie de COVID-19, de nouveaux utilisateurs ayant adopté le vélo pour leurs déplacements quotidiens ou leurs loisirs. En ce qui concerne l'avenir, les prévisions utilisant différents scénarios climatiques produisent une augmentation de la demande de bicyclettes au cours des mois de mars, avril et novembre. Cependant, les prévisions ont montré une diminution des comptages pendant les mois d'été en raison des températures extrêmement élevées, dessinant une réduction annuelle de la demande de cyclistes dans les scénarios à fortes émissions. Les résultats de ce travail pourraient aider à planifier et à adapter de meilleures infrastructures et de meilleurs services pour les cyclistes en tenant compte du changement climatique
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".