Efficient processing of distance–time <i>k</i> th‐order skyline queries in bicriteria networks
Notice bibliographique
Résumé
With the increasing complexity of traffic conditions in road networks, the nearest destination cannot be necessarily reached in the fastest time. The traditional nearest neighbor (NN) and k NN searches in spatial network databases with single cost criterion are often strongly restrictive. In this paper, the authors consider the problem of k th‐order skyline queries in bicriteria networks, where edges represent road segments. Their proposed k th‐order skyline queries consider distance, time preferences of each edge, thus having two kinds of skyline queries, named distance optimal k th‐order skyline query (DO‐ k OSQ) and time optimal k th‐OSQ (TO‐ k OSQ). They design algorithms for the two kinds of skyline queries in bicriteria networks based on incremental network expansion method and further develop a maximum distance/time restriction strategy to improve the efficiency of the algorithms. Experimental results show that all of their methods are far below 1000 input–output input/output (IO) accesses and 1 s of central processing unit (CPU) time. For real road networks, their k OSQ+ queries need only 51.6% IO accesses and 59.6% CPU time of those for k OSQ queries, whereas for the larger road network the percentages are 51.8% and 51.2%, respectively. Thus, the results indicate the efficiency and effectiveness of their proposed 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.
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 | 0,000 | 0,001 |
| 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 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 ».