Resumen

Es bien sabido que las inclemencias meteorológicas afectan al funcionamiento de los sistemas de transporte, incluidos los taxis. Este artículo utiliza datos de puntos de ruta GPS de taxis para investigar el impacto cuantitativo de la lluvia en la llamada de taxis y en su funcionamiento, con el fin de ayudar a mejorar la calidad del servicio en días lluviosos. Mediante análisis estadísticos, el estudio demuestra que es más difícil parar un taxi en días lluviosos, especialmente en las horas punta de la mañana. Mediante la modelización del valor diferencial de los factores para condiciones de lluvia y sin lluvia en un modelo de regresión multivariante y la obtención de la significación y elasticidad de cada factor, se demuestra que la demanda de pasajeros, la oferta de taxis, el tiempo de búsqueda y la velocidad son los factores significativos que reducen el nivel de servicio de los taxis en días lluviosos. Entre ellos, el número de pasajeros y de taxis son los dos factores que tienen mayor impacto. También se demuestra que no hay diferencias significativas en la oferta total de taxis y la demanda de pasajeros entre las condiciones de lluvia y las de ausencia de lluvia, pero se descubre un cambio drástico en la distribución espacial. Los resultados sugieren que, en lugar de limitarse a proporcionar más taxis en días de lluvia, una solución más eficaz puede ser el envío óptimo de taxis a las regiones de mayor demanda.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:días lluviosos, taxis, precipitaciones, condiciones no lluviosas, demanda de pasajeros, datos de waypoints gps de taxis, regiones de alta demanda, horas punta de la mañana, modelo de regresión multivariante, oferta total de taxis.
• Keywords:rainy days, taxis, rainfall, nonrainfall conditions, passenger demand, taxi gps waypoint data, high demand regions, morning peak hours, multivariate regression model, total taxi supply