Analysis of Freight Global Positioning System Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Many firms use Global Positioning System (GPS) trackers to monitor their vehicle fleets. Such data are increasingly being made available to researchers and provide a rich source of information to support modeling of the freight system. The objective of this paper is to determine the best procedure for clustering GPS trip ends into repeated visits to common destinations. This clustering allows the GPS data to be used for analyzing the repetitiveness of commercial vehicle travel and for combined models of stop frequency and stop duration. Various hierarchical agglomeration and partitioning clustering methods were compared by using data for one firm based in Toronto, Canada, that provided GPS records and driver records for a 3-month period in 2007. The analysis found that Ward's method was preferred for this application because of good clustering results and reasonable computational effort. This method was then tested on GPS data for 40 firms by using visual inspection of the clustering results. Issues were identified in the use of a single clustering distance threshold. A novel two-step clustering procedure was developed to address the issues. First, the GPS trip ends were clustered by using Ward's method. Second, clusters whose median GPS point fell within the boundary of a single property were combined. Results from the two-step clustering procedure are promising. Preliminary analysis indicated that few destinations were visited on a daily basis. Hence, travel behavior for commercial vehicles for one day is often not representative of other days; this aspect highlights concerns about travel demand models estimated by using a travel data set collected over short time periods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle