BIM-GIS ORIENTED INTELLIGENT KNOWLEDGE DISCOVERY
Notice bibliographique
Résumé
Abstract. Urban and population growth results in increasing pressure on the public utilities like transport, energy, healthcare services, crime management and emergency services in the realm of smart city management. Smart management of these services increases the necessity of dealing with big data which is come from different sources with various types and formats like 3D city information, GPS, traffic, mobile, Building Information Model (BIM), environmental, social activities and IoT stream data. Therefore, an approach to mine/analysis/interpret these data and extract useful knowledge from this diverse big data sources emerges in order to extract the hidden pattern of data using computational algorithms from statistics, machine learning and information theory. However, inconsistency, duplication and repetition and misconducting with the different type of discrete and continuous data can cause erroneous decision-making. This paper focuses on providing a rules extraction and supervised-decision making methods for facilitating the fusion of BIM and 2D and 3D GIS-based information coupling with IoT stream data residing in a spatial database and 3D BIM data. The proposed methods can be used in those applications like Emergency Response, Evacuation Planning, Occupancy Mapping, and Urban Monitoring to Smart Multi-Buildings so that their input data mostly come from 2D and 3D GIS, BIM and IoT stream. This research focus on proposing the unified rules extraction and decision engine to help smart citizens and managers using BIM and GIS data to make smart decision rather than focus on applications in certain field of BIM and GIS.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| 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) | 0,000 | 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 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 ».