Understanding Google Location History as a Tool for Travel Diary Data Acquisition
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
Understanding human mobility within urban settings is fundamental for urban and transport planning. Travel demand modeling and planning typically rely on data that are collected from large-scale household travel surveys (i.e., origin–destination surveys) and compiled into single- or multiple-day travel diaries. The laborious task of collecting these data has left traditional methods with numerous limitations, resulting in significant trade-offs in regard to accuracy, sample size, and study duration, while also being vulnerable to reporting and transcription error. Rising mobile phone ownership has provided opportunities to acquire expansive cellular network data from service providers and location-based service data through smartphone applications. At the same time, the Google Maps smartphone application provides built-in infrastructure that can passively collect detailed location information from user smartphone devices. The resulting data are known as Google location history (GLH). To better understand the potential of these data offerings in transportation modeling and planning, GLH data passively collected from five different smartphones following prescribed itineraries over 12 days was evaluated. As 51% of 934 locations and 32% of 888 trips were matched to the pre-determined travel diary data, it was determined that GLH data does not currently appear to be an adequate tool for travel diary data collection. On average, locations that were missed by GLH were shorter (mean of 355 s), whereas locations that were identified were longer (mean of 762 s).
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 | 0,015 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle