By cyclists, for cyclists: Road grade and elevation estimation from crowd-sourced fitness application data
Notice bibliographique
Résumé
Road grade or slope is a key factor for walking and cycling behavior and outcomes (influencing route, speed, energy, etc.). For this reason, the scarcity of precise road grade data presents a challenge for travel information and analysis. This paper examines the accuracy of using crowd-sourced GPS data from a fitness application to estimate roadway grade profiles, which can then be used to develop network-wide road grade datasets. We externally validate an elevation estimation method described by McKenzie and Janowicz using field surveying data, and then propose and evaluate modifications for estimation of road grade (which is more directly relevant than elevation for walking and cycling analysis). We find that a modest amount of crowd-sourced GPS data can be used to generate relatively accurate road grade estimates: better than commonly-used low-resolution elevation models, but not as accurate as high-resolution data derived from LiDAR (Light Detection and Ranging). We also find that the grade estimates are more reliable than the elevation estimates, relative to alternative data sources. The most accurate method to aggregate crowd-sourced GPS data builds a composite roadway grade profile using partition-around-medoid clustering of individual grade sequences, first smoothed with a Savitzky-Golay filter and cleaned with Density-Based Spatial Clustering of Applications with Noise (DBSCAN). Implementing this method with an average of 150 GPS traces per location yields a root mean square error (RMSE) of 1% road grade. The findings in this paper can be used to incorporate precise road grade information into street network datasets over a wide spatial scale, which is necessary for walking and cycling analysis that fully considers the physiological aspects of active transportation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».