Search

Station-level ridership modeling is one of the ways to forecast metro ridership and reveal how factors influence ridership. Previous studies assumed that the relationships between the dependent variable and independent variables are either global or local, as indicated by the global model or the geographically weighted regression (GWR) model. This study explores the possibility that some independent variables have spatially varying relationships with metro ridership while others have constant relationships by employing the mixed GWR model. Data from the Chicago metro system were used. To establish an effective forecasting model, possible influencing factors are collected. OLS model results indicate that the proportion of recreational jobs to total jobs, number of bus stops, employment density, number of high- income workers, and the type of station (transfer or terminal) are significant variables influencing station-level metro ridership. By using the mixed GWR model, we find that the proportion of recreational jobs to total jobs is a global variable while the others are local variables. By comparing the results of mixed GWR, full GWR, and OLS models, we find that mixed GWR fits the data better and the residuals are less correlated. However, results of cross-validation indicate that the prediction power of the OLS model is better than that of the full and mixed GWR models. Key words: metro ridership, transit demand, land use, built environment, spatial variation. La modelisation de l'achalandage au niveau des stations de metro est l'une des fa^ons de prevoir l'achalandage dans le metro et de representer comment les facteurs influent sur l'achalandage. Les etudes anterieures supposent que les relations entre la variable dependante et les variables independantes est globale ou locale, comme l'indique le modele global ou le modele de regression geographiquement ponderee (RGP). Cette etude explore la possibilite que certaines variables independantes aient une relation spatialement variable avec l'achalandage du metro, tandis que d'autres ont une relation constante en utilisant le modele de RGP mixte. Les donnees du reseau de metro de Chicago sont utilisees. Pour etablir un modele previsionnel efficace, des facteurs determinants possibles sont obtenus. Les resultats du modele des moindres carres ordinaires (MCO) indiquent que la proportion d'emplois recreatifs par rapport aux emplois totaux, le nombre d'arrets d'autobus, la densite d'emploi, le nombre de travailleurs a revenu eleve et le type de station (de transfert ou station terminale) sont des variables importantes qui influent sur l'achalandage des stations de metro. En utilisant un modele de RGP mixte, nous constatons que la proportion d'emplois recreatifs par rapport a l'ensemble des emplois est une variable globale, tandis que d'autres sont des variables locales. En comparant les resultats des modeles de RGP mixte, de RGP complet et des MCO, nous constatons que le modele RGP mixte reproduit mieux les donnees et que les residus sont moins correles. Toutefois, les resultats de la validation croisee indiquent que la puissance predictive du modele MCO est meilleure que celle des modeles RGP complet et RGP mixte. [Traduit par la Redaction] Mots-cles: achalandage du metro, modelisation au niveau de la station, utilisation du terrain, modele de regression geographiquement ponderee mixte, environnement bati., Introduction The metro is one of the major travel modes in big cities because of its fast speed, timeliness, safety, and environment-friendly characteristics. Ridership is one of the key inputs [...]