Toward a kinetic-based probabilistic time geography
Notice bibliographique
Résumé
Time geography represents a powerful framework for the quantitative analysis of individual movement. Time geography effectively delineates the space–time boundaries of possible individual movement by characterizing movement constraints. The goal of this paper is to synchronize two new ideas, probabilistic time geography and kinetic-based time geography, to develop a more realistic set of movement constraints that consider movement probabilities related to object kinetics. Using random-walk theory, the existing probabilistic time geography model characterizes movement probabilities for the space–time cone using a normal distribution. The normal distribution has a symmetric probability density function and is an appropriate model in the absence of skewness – which we relate to an object’s initial velocity. Moving away from a symmetric distribution for movement probabilities, we propose the use of the skew-normal distribution to model kinetic-based movement probabilities, where the degree and direction of skewness is related to movement direction and speed. Following a description of our model, we use a set of case-studies to demonstrate the skew-normal model: a random walk, a correlated random walk, wildlife data, cyclist data, and athlete movement data. Our results show that for objects characterized by random movement behavior, the existing model performs well, but for object movement with kinetic properties (e.g., athletes), the proposed model provides a substantial improvement. Future work will look to extend the proposed probabilistic framework to the space–time prism.
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.
Comment cette classification a été obtenuedéplier
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».