Smart Urban Mobility System Evaluation Model Adaptation to Vilnius, Montreal and Weimar Cities
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
To date, there is no developed and validated way to assess urban smartness. When evaluating smart city mobility systems, different authors distinguish different indicators. After analysing the evaluation indicators of the transport system presented in the scientific articles, the most relevant and influential indicators were selected. This article develops a hierarchical evaluation model for evaluating a smart city transportation system. The indicators are divided into five groups called “factors”. Several indicators are assigned to each of the listed groups. A hybrid multi-criteria decision-making (MCDM) method was used to calculate the significance of the selected indicators and to compare urban mobility systems. The applied multi-criteria evaluation methods were simple additive weighting (SAW), complex proportional assessment (COPRAS), and technique for order preference by similiarity to ideal solution (TOPSIS). The significance of factors and indicators was determined by expert evaluation methods: the analytic hierarchy process (AHP), direct, when experts evaluate the criteria as a percentage (sum of evaluations of all criteria 100%) and ranking (prioritisation). The evaluation and comparison of mobility systems were performed in two stages: when the multi-criteria evaluation is performed according to the indicators of each factor separately and when performing a comprehensive assessment of the smart mobility system according to the integrated significance of the indicators. A leading city is identified and ranked according to the smartness level. The aim of this article is to create a hierarchical evaluation model of the smart mobility systems, to compare the smartness level of Vilnius, Montreal, and Weimar mobility systems, and to create a ranking.
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 | 0,000 | 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