Dynamic partitioning of urban road networks based on their topological and operational characteristics
Notice bibliographique
Résumé
Modelling, observation and control of realistic urban road networks of significant size may be subject to the `curse' of dimensionality. On the other hand, the `nature' of the physical system introduces the necessity of its unified treatment, for capturing the interactions and the spatial connectivity of the complete system. In order to facilitate the handling of such complex traffic systems, an approach could be the optimal partitioning of the complete network in sub-regions/networks based on one-or more-criteria. The resulted sub-networks then can be processed more easily (e.g. utilizing tactics of parallel processing), increasing computational performance. Several methods are available and can be applied for partitioning graph/networks, though road networks exhibit particularities that pose constraints in applying standard mesh/graph partitioning technics. One of the most important features stands for the fact that road networks are directed networks with many bidirectional arcs of dynamic operational characteristics, which should be partitioned in compact closed sub-regions. In the current paper the results of an investigation on dynamic network partitioning are provided and discussed in detail. A data-based clustering method has been initially tested, namely k-means, accounting for network's topology, structure and operational characteristics, exhibiting the strengths and restrictions of its application in realistic and dynamic settings. However, the fact that k-means is not a method dedicated in providing road network's partitions, the use of a graph partitioning model, namely METIS. The data used here have been collected from the real-time surveillance system operated in Nicosia, Cyprus, that provides detailed traffic observations (flow and speed), while the comparative results of the two approaches are also provided. It has been observed that METIS partitioning could be used for network partitioning purposes, in the various alternative datasets used for performing a dynamic network partitioning `exercise'. The results showed the effect of traffic dynamics on partitioning realistic urban systems.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».