MétaCan
Menu
Retour à la cohorte
Enregistrement W2185362125

Modeling Urban Traffic Using Cellular Phone Trajectories

2012· article· en· W2185362125 sur OpenAlexaboutno aff
Ryan Neighbour

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicular Ad Hoc Networks (VANETs)
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceInteractivityPhoneConstruct (python library)Task (project management)Mobile phoneVisualizationTraffic flow (computer networking)Human–computer interactionComputer securityEngineeringData miningWorld Wide WebTelecommunicationsComputer network
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The interactions between individual vehicles and their interactions with transportation infrastructure create an interesting and difficult to model system. The patterns many of us see daily, how and where traffic flows, depend on many factors such as weather, time of day, road closures and access to major thoroughfares. Creating a model that is capable of displaying the complexities that emerge from such a system can be a daunting task. This difficulty emerges because our assumptions about the driving force behind traffic systems, namely human behaviour, may either be hard to quantify or simply incorrect. However, through the novel applications of existing technologies we can create real-time interactive models that allow us to see and influence the way traffic flows through an urban environment. With over 24 million current cell phone subscriptions in Canada, cell phone trajectory data can provide the necessary information on the ebb and flow of the movements of large populations. To create the road based environment for the model, large GIS databases such as OpenStreetMap.org can be used. Finally, by using a platform such as the Unity game engine to construct and run the model allows for high levels of interactivity and large scale 3D visualization. Agent Based Modeling is the chosen method of simulation. This is advantageous for two main reasons. The first is that traffic is a phenomenon that emerges from the interactions of many individuals within an environment. Secondly, the fact that the provided cellular trajectories track the rough movement of individuals over time harmonizes well with the above. This presentation illustrates the construction of a model currently being developed and its validation process and results and its possible uses in other areas such as simulating the spread of pandemic contact based infections.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,096
Score d'incertitude au seuil0,192

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,205
Écart entre enseignants0,187 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetVehicular Ad Hoc Networks (VANETs)Travaux en français237 207