Towards Realistic Vehicular Network Modeling Using Planet-scale Public\n Webcams
Notice bibliographique
Résumé
Realistic modeling of vehicular mobility has been particularly challenging\ndue to a lack of large libraries of measurements in the research community. In\nthis paper we introduce a novel method for large-scale monitoring, analysis,\nand identification of spatio-temporal models for vehicular mobility using the\nfreely available online webcams in cities across the globe. We collect\nvehicular mobility traces from 2,700 traffic webcams in 10 different cities for\nseveral months and generate a mobility dataset of 7.5 Terabytes consisting of\n125 million of images. To the best of our knowl- edge, this is the largest data\nset ever used in such study. To process and analyze this data, we propose an\nefficient and scalable algorithm to estimate traffic density based on\nbackground image subtraction. Initial results show that at least 82% of\nindividual cameras with less than 5% deviation from four cities follow\nLoglogistic distribution and also 94% cameras from Toronto follow gamma\ndistribution. The aggregate results from each city also demonstrate that Log-\nLogistic and gamma distribution pass the KS-test with 95% confidence.\nFurthermore, many of the camera traces exhibit long range dependence, with\nself-similarity evident in the aggregates of traffic (per city). We believe our\nnovel data collection method and dataset provide a much needed contribution to\nthe research community for realistic modeling of vehicular networks and\nmobility.\n
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».