Guest Editorial Introduction to the Special Issue on AI-Empowered Trajectory Analytics in Intelligent Transportation Systems
Notice bibliographique
Résumé
With the rapid growth of location sensing in the Internet of Things (IoT) and Internet of Vehicles (IoV) techniques, trajectory data has been generated that can be used to describe diversity and characteristics of moving objects. The analysis and management of trajectory patterns has become an important issue in recent decades, as it supports efficient strategies and decisions based on discovered patterns and knowledge from the mobility behavior of customers or citizens in many fields and applications (e.g., smart city, intelligent transportation, location-based services, health management, etc.). Since the recent development in AI, it is possible to use AI-based techniques to analyze trajectory data at an unprecedented scale to address applicable issues of effectiveness, efficiency, accuracy, and privacy in Intelligent Transportation Systems (ITS), therefore, it is a highly competitive area to propose innovative methods, principles, procedures, techniques, frameworks, theories, and applications to address the aforementioned challenges of trajectory data in ITS. This Special Issue is intended to provide a forum for all researchers from academia and industry to share their original, creative, innovative, cutting-edge insights, theories, ideas, and developments for the analysis of trajectory data using AI-empowered techniques in ITS. In this special issue, we received 52 submissions, and finally accepted 17 articles to be published in the special issue. Below is a brief introduction to each of them.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».