A Multiscale Approach for Free‐Float Bike‐Sharing Electronic Fence Location Planning: A Case Study of Shenzhen City
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
As an emerging technological means for managing free‐float bike‐sharing parking, electronic fences have attracted increasing attention in major cities as a solution to the challenges posed by disorderly parking of free‐float bikes. Existing research has predominantly focused on employing clustering methods from the perspectives of free‐float bike‐sharing companies and users to plan and deploy electronic fences. However, the results often deviate significantly from the actual phenomenon. Therefore, scientific location selection is particularly important to fully harness the effectiveness of electronic fences. This paper proposes a multiscale clustering method based on free‐float bike‐sharing parking features to determine the optimal locations for electronic fences. A multiobjective mixed‐integer programming model is established to address the location planning problem of electronic fences, determining the planning positions, quantities, and areas of electronic fences. A case study is conducted using a local area free‐float bike‐sharing dataset from Shenzhen city to validate the effectiveness of the proposed method. Comparative results with traditional approaches solely relying on K ‐means or DBSCAN methods demonstrate that the proposed approach achieves efficient location selection, through multiscale fusion site selection in the study area of 1.5∗1 km, and only 25 electronic fences need to be planned and deployed, covering a total area of 1691.88 square meters, which can provide rational placement solutions and better utilize the effectiveness of electronic fences. This method can thus offer decision‐making support for the planning and location selection of electronic fences in free‐float bike‐sharing systems.
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 | 0,000 | 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