Effectively and Efficiently Supporting Predictive Big Data Analytics over Open Big Data in the Transportation Sector: A Bayesian Network Framework
Notice bibliographique
Résumé
Today, various types of valuable data can be collected with ease and at a rapid pace. In recent years, many governments, researchers, and organizations have been driven by open data pioneers, to make their data available for public. Transportation data, such as public bus performance data, is an example of open big data. The analyzing of these open big data can be used in social services. For example, bus service operators might get a vision into time delays in bus services by processing and mining public bus performance data. Then, making ameliorative steps (e.g., adding more buses, rerouting some bus routes, etc.) results in improving the feeling of the passenger. We provide a Bayesian framework, which is applied on big data obtained from transportation system. Specifically, a number of Bayesian networks have been used in our framework to predict whether a bus will arrive late or early at a specific bus stop. We investigate and establish the optimum network settings and/or parameter permutations for each (bus stop, bus route, arrival time)-triplet. The results demonstrate that the proposed Bayesian framework effectively supports predictive analytics on big transportation data collected from the City of Winnipeg, Manitoba, Canada.
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 | 0,014 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,007 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,009 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».