Real-Time Transportation Mode Detection via Tracking Global Positioning System Mobile Devices
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
This article presents a methodology for identifying travelers' transportation modes by tracking Global Positioning System (GPS)-equipped mobile devices in the traffic stream. Various mobile phone service providers have location-based services (LBS) that track the locations of their mobile phones. One major concern in using mobile phones for traffic monitoring is that the phones are not necessarily in passenger vehicles. The mobile device can be in a car, bus, or other modes that have distinct speed and acceleration profiles. In addition, querying the mobile device has monetary cost implications, and the higher the number of location queries from the server the higher the associated cost. This article focuses on the feasibility of using the characteristics of the trail of GPS data stream to identify the mode on which the mobile device is located. Currently available LBS in Toronto can only provide GPS data once every 5 min. Because of the sampling limitation, a GPS data logger is used to collect the trip data and the logged data is sampled at varying frequencies as if they are coming from the mobile phones. The analysis is conducted using neural networks (NNs) to determine the transportation mode. The analysis also examines the impact of varying sampling rates (number of pings per unit time) and monitoring duration (time length of data trail) on mode classification accuracy. In total, 60 h of GPS data were collected while traveling on various transportation modes throughout the Greater Toronto Area. Results confirm the potential of neural networks to successfully detect transportation modes from GPS data, both in peak and nonpeak periods. The results indicate that higher sampling frequency and longer monitoring duration result in higher mode detection rates. In addition, the route-specific neural networks perform better than the universal neural networks.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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