Big Data in Transportation Program Management: Findings and Interpretations from the City of Toronto
Notice bibliographique
Résumé
Among North American big cities, the Toronto experiences some of the worst traffic congestion (1). Traffic congestion remains the object of policy intervention across many cities, enabling public discourse about desired future transportation services and better transportation policy. and business analytics have emerged as a potentially critical group of analyses, technologies, and means of informing program management, but what does Big Data really mean for program management in big cities facing the effects of traffic congestion. In this study, is defined as the proliferation of new information on transportation flow, speeds, and trip information from probe data, global positioning data, and Bluetooth technology in near-real time, all in such volumes that make conventional computing methods unable to manage the challenge. Although Big Data appears to be a catch phrase with a somewhat ambiguous meaning, there are reasons to believe that it may have important benefits for program management. First, this is illustrated by conceptually discussing how is different than other established analytical methods for performance monitoring. Second, empirical results from this study using archived probe speed data purchased from Inrix, Inc. for 2011, 2013, and 2014 on are shown to illustrate one initiative taken on by the City of Toronto to more tightly integrate solutions into road surface program management and performance monitoring.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,015 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».