We present a method of predicting t

We present a method of predicting the distribution of passenger throughput across stations
and lines of a city rapid transit system by calculating the normalized betweenness centrality
of the nodes (stations) and edges of the rail network. The method is evaluated by correlating
the distribution of betweenness centrality against throughput distribution which is calculated
using actual passenger ridership data. Our ticketing data is from the rail transport system of
Singapore that comprises more than 14 million journeys over a span of one week. We demonstrate
that removal of outliers representing about 10% of the stations produces a statistically
significant correlation above 0.7. Interestingly, these outliers coincide with stations that opened
Despite the fact that not all the passengers use shortest paths to travel between stations and
that the distribution of passengers traveling between various origin-destination pairs is not uniformly
distributed, we demonstrate that betweenness centrality can still predict to a reasonable
accuracy, the level of utilization between different portions of the network. This is shown by
the high level correlation between betweenness centrality and passenger throughput when most of the stations and edges of the network are being considered.
In addition, we found that the outliers of the correlation correspond exactly to the stations
and edges of a new section of the network. This suggests that although the passengers generally
conform to the structure of the network when utilizing the transportation system, this conformity
is reduced when dynamic changes are made to the structure. There may therefore exist
some lag time before passengers adapt to the new structure and adopt more efficient routes
which did not exist previously. Confirmation of this hypothesis would however, require a comparative
analysis with the current data against a different set of ridership data which include
periods before and after the addition of these lines.
We have also shown that correlation improves significantly when distinct lines are correlated
separately. The different lines exhibit variation in slopes, indicating that the unique structural
characteristics of lines impacts the pattern of ridership within the network. This is expected
since the distribution of passenger ridership gradually evolves with the structure by adjusting to
the availability of routes and convenience to individual passengers. With increasing complexity
planned to be added in the network in the future, we hope that this work will serve as a
standard methodology in capturing some base line information on the expected utility of a
specific segment of the rapid transit system.

ผลลัพธ์ (ไทย) 1:

เรานำเสนอวิธีการคาดการณ์การกระจายของผู้โดยสารสูงข้ามสถานีและบรรทัดของระบบรถไฟฟ้าใต้ดินเมืองด้วยการคำนวณแห่งมาตรฐาน betweennessโหน (สถานี) และขอบของเครือข่ายรถไฟ วิธีการจะถูกประเมิน โดยกำลังรวบรวมการกระจายของ betweenness เอกภาพกับอัตราความเร็วการกระจายซึ่งคำนวณใช้ข้อมูล ridership ผู้โดยสารจริง ข้อมูลตั๋วมาจากระบบขนส่งรถไฟสิงคโปร์ที่ประกอบด้วยมากกว่า 14 ล้านเจอร์นีย์ผ่านระยะหนึ่งสัปดาห์ เราแสดงให้เห็นถึงเอาว่า outliers แทนประมาณ 10% ของสถานีสร้างแบบทางสถิติความสัมพันธ์ที่สำคัญข้างต้น 0.7 เป็นเรื่องน่าสนใจ outliers เหล่านี้สอดคล้องกับสถานีที่เปิดทั้ง ๆ ที่ผู้โดยสารไม่ใช้เส้นทางที่สั้นที่สุดในการเดินทางระหว่างสถานี และว่า การกระจายของผู้โดยสารที่เดินทางระหว่างต้นทางปลายทางต่าง ๆ คู่ไม่สม่ำเสมอเมื่อเทียบเคียงกระจาย เราแสดงให้เห็นถึงเอกภาพนั้น betweenness ยังสามารถทำนายเพื่อความเหมาะสมความแม่นยำ ระดับของการใช้ประโยชน์ระหว่างส่วนต่าง ๆ ของเครือข่าย นี้จะแสดงความสัมพันธ์ระดับสูงระหว่างเอกภาพ betweenness และผู้โดยสารสามารถประมวลผลได้เมื่อส่วนใหญ่ของสถานีและขอบของเครือข่ายจะถูกพิจารณานอกจากนี้ เราพบว่า outliers ของสหสัมพันธ์ตรงกับสถานีและขอบของส่วนใหม่ของเครือข่าย นี้แนะนำที่แม้ว่าผู้โดยสารทั่วไปสอดคล้องกับโครงสร้างของเครือข่ายเมื่อมีการใช้ระบบขนส่ง นี้ให้สอดคล้องจะลดลงเมื่อเปลี่ยนแปลงแบบไดนามิกขึ้นกับโครงสร้าง อาจจึงมีบางเวลาความล่าช้าก่อนที่ผู้โดยสารปรับโครงสร้างใหม่ และนำกระบวนการผลิตมีประสิทธิภาพมากขึ้นซึ่งไม่มีอยู่ก่อนหน้านี้ อย่างไรก็ตาม การยืนยันสมมติฐานนี้จะต้องมีการเปรียบเทียบวิเคราะห์ข้อมูลปัจจุบันกับชุดอื่น ridership ข้อมูลซึ่งรวมถึงรอบระยะเวลาก่อน และ หลังการเพิ่มบรรทัดเหล่านี้นอกจากนี้เรายังได้แสดงความสัมพันธ์เพิ่มอย่างมีนัยสำคัญเมื่อบรรทัดทั้งหมดมี correlatedแยกต่างหาก บรรทัดแตกต่างแสดงความผันแปรในลาด ที่บ่งชี้ว่า โครงสร้างเฉพาะลักษณะของรายการส่งผลกระทบต่อรูปแบบของ ridership ภายในเครือข่าย นี้คาดว่าเนื่องจากการกระจายของผู้โดยสาร ridership ค่อย ๆ วิวัฒนาการกับโครงสร้าง โดยการปรับการความพร้อมของเส้นทางและความสะดวกสบายให้ผู้โดยสารแต่ละ ด้วยการเพิ่มความซับซ้อนวางแผนจะเพิ่มในเครือข่ายในอนาคต เราหวังว่า งานนี้จะทำหน้าที่เป็นตัววิธีการมาตรฐานในการจับบางบรรทัดฐานข้อมูลโปรแกรมอรรถประโยชน์ที่คาดไว้ของการส่วนเฉพาะของระบบรถไฟฟ้าใต้ดิน

ผลลัพธ์ (ไทย) 2:

เรานำเสนอวิธีการในการทำนายการกระจายตัวของผู้โดยสารข้ามสถานีที่และเส้นของระบบขนส่งมวลชนเมืองอย่างรวดเร็วโดยการคำนวณศูนย์กลาง betweenness ปกติของโหนด(สถานี) และขอบของเครือข่ายทางรถไฟ วิธีการที่ได้รับการประเมินโดยเทียบเคียงการกระจายตัวของศูนย์กลาง betweenness กับการจัดจำหน่ายผ่านซึ่งจะคำนวณโดยใช้ข้อมูลผู้โดยสารผู้โดยสารที่เกิดขึ้นจริง ข้อมูลการจองตั๋วของเราคือจากระบบการขนส่งทางรถไฟของสิงคโปร์ที่ประกอบด้วยมากกว่า 14 ล้านการเดินทางในช่วงหนึ่งสัปดาห์ เราแสดงให้เห็นว่าการกำจัดของค่าผิดปกติคิดเป็น 10% ของสถานีผลิตทางสถิติความสัมพันธ์อย่างมีนัยสำคัญดังกล่าวข้างต้น0.7 ที่น่าสนใจค่าผิดปกติเหล่านี้ตรงกับสถานีที่เปิดแม้จะมีความจริงที่ว่าไม่ทั้งหมดผู้โดยสารใช้เส้นทางที่สั้นที่สุดในการเดินทางระหว่างสถานีและว่าการกระจายของผู้โดยสารที่เดินทางระหว่างคู่ต้นกำเนิดปลายทางต่างๆจะไม่สม่ำเสมอกระจายเราแสดงให้เห็นว่าศูนย์กลางbetweenness ยังสามารถคาดการณ์ได้ การที่เหมาะสมถูกต้องระดับของการใช้ที่แตกต่างกันระหว่างส่วนของเครือข่าย นี้แสดงให้เห็นความสัมพันธ์ในระดับสูงระหว่างศูนย์กลาง betweenness และผู้โดยสารเมื่อที่สุดของสถานีและขอบของเครือข่ายที่มีการพิจารณา. นอกจากนี้เรายังพบว่าค่าผิดปกติของความสัมพันธ์สอดคล้องตรงกับสถานีและขอบของส่วนใหม่ของเครือข่าย นี้แสดงให้เห็นว่าถึงแม้ผู้โดยสารทั่วไปสอดคล้องกับโครงสร้างของเครือข่ายเมื่อใช้ระบบการขนส่งที่ถูกต้องตามที่นี้จะลดลงเมื่อมีการเปลี่ยนแปลงแบบไดนามิกที่จะทำให้โครงสร้าง ดังนั้นจึงอาจมีบางเวลาล่าช้าผู้โดยสารก่อนที่จะปรับตัวเข้ากับโครงสร้างใหม่และนำมาใช้เส้นทางที่มีประสิทธิภาพมากขึ้นซึ่งไม่ได้มีอยู่ก่อนหน้านี้ ยืนยันสมมติฐานนี้ แต่จะต้องมีการเปรียบเทียบการวิเคราะห์ด้วยข้อมูลปัจจุบันกับชุดที่แตกต่างกันของข้อมูลผู้โดยสารซึ่งรวมถึงช่วงเวลาก่อนและหลังการเพิ่มขึ้นของสายเหล่านี้. เราได้แสดงให้เห็นความสัมพันธ์อย่างมีนัยสำคัญที่ช่วยเพิ่มเมื่อเส้นที่แตกต่างกันมีความสัมพันธ์ที่แยกจากกัน เส้นที่แตกต่างกันแสดงการเปลี่ยนแปลงในเนินเขาที่แสดงให้เห็นว่าโครงสร้างที่ไม่ซ้ำกันลักษณะของผลกระทบต่อสายรูปแบบของผู้โดยสารภายในเครือข่าย นี้คาดว่าตั้งแต่การกระจายตัวของผู้โดยสารผู้โดยสารค่อย ๆ พัฒนาไปพร้อมกับโครงสร้างโดยการปรับเพื่อความพร้อมของเส้นทางและความสะดวกสบายให้กับผู้โดยสารของแต่ละบุคคล ด้วยความซับซ้อนที่เพิ่มขึ้นการวางแผนที่จะเพิ่มเข้ามาในเครือข่ายในอนาคตเราหวังว่างานนี้จะทำหน้าที่เป็นวิธีมาตรฐานในการจับเส้นฐานข้อมูลบางอย่างเกี่ยวกับยูทิลิตี้ที่คาดหวังของส่วนเฉพาะของระบบรถไฟฟ้าขนส่งมวลชน

ผลลัพธ์ (ไทย) 3:

เรานำเสนอวิธีการทำนายการแพร่กระจายของผู้โดยสารผ่านข้ามสถานี
และสายของระบบรถไฟฟ้าขนส่งมวลชนในเมืองโดยการคำนวณค่า
betweenness ศูนย์กลางของโหนด ( สถานี ) และขอบของเครือข่ายทางรถไฟ . วิธีการประเมินโดยเทียบเคียง
กระจายศูนย์กลาง betweenness กับ throughput การกระจายซึ่งคํานวณ
โดยใช้ข้อมูลผู้โดยสารผู้โดยสารจริง ของเรา ( เป็นข้อมูลจากการขนส่งระบบ
สิงคโปร์ที่ประกอบด้วยมากกว่า 14 ล้าน การเดินทางในช่วงหนึ่งสัปดาห์ เราแสดงให้เห็นถึงการเป็นตัวแทนของ
เมื่อประมาณ 10 % ของสถานีสร้างสถิติ
ความสัมพันธ์ข้างต้น 0.7 น่าสนใจ ผิดปกติเหล่านี้ตรงกับสถานีที่เปิด
แม้จะมีความจริงที่ว่าไม่ทั้งหมดผู้โดยสารใช้เส้นทางสั้นที่สุดในการเดินทางระหว่างสถานีและ
ที่การกระจายของผู้โดยสารที่เดินทางระหว่างคู่ปลายทางประเทศต่างๆไม่ได้เหมือนกัน
กระจาย เราแสดงให้เห็นว่า betweenness ศูนย์กลางยังสามารถทำนายเพื่อความถูกต้องเหมาะสม
, ระดับของการใช้ระหว่างส่วนต่างๆของเครือข่าย นี้จะแสดงโดย
ระดับความสัมพันธ์ระหว่าง betweenness ศูนย์กลางและ throughput ผู้โดยสารเมื่อที่สุดของสถานี และขอบของเครือข่ายจะได้รับการพิจารณา .
นอกจากนี้ เราพบว่า ระดับของความสัมพันธ์สอดคล้องตรงกับสถานี
และขอบของส่วนใหม่ของเครือข่าย นี้แสดงให้เห็นว่าแม้ว่าผู้โดยสารทั่วไป