A study on smart mobility in Kuala Lumpur
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
Transportation in Malaysia started since the British colonial period and as of 2016, it can be said that the country's transport network is highly diversified having undergone years of development. At present, Malaysia's road network covers an extensive estimate of 230,000 km in 2015 with a national road development growth index of 2.29 from a mere 1.42 in 2010. Since the 10th Malaysia plan, Malaysia's network growth remained at an annual 10.9% growth bringing this to an astounding 68% overall growth as of 2015 and this focus is set to continue in the 11th Malaysia Plan from 2016-2020 leveraging new investments in road, rail and air services. According to statistics obtained from JPJ, the number of new vehicles registrations spiked from 25418 in 2012 to 40753 in the following year and as of 2016, there is an observable average of 8000 to 11000 new registrations per month. By the first quarter of 2016, the number of new registered motor vehicles in Wilayah Persekutuan, Kuala Lumpur obtained from Road Transport Department is reported at 31476 and the total number of vehicles in the state is 6,149,414. Due to the rapid surge in urban transport and the wide availability of mobile vehicles, it becomes necessary to develop a real time monitoring system that could effectively measure the traffic movement of vehicles. This is because vehicles tend to emit unnecessary greenhouse gases which may pollute the environment and affect the population health. In this project, we aim to conduct a first class survey which aims at studying traffic flow in KL areas and also identify the cause of traffic congestion through state of the art data analytic methods.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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