A Big Data Science and Engineering Solution for Transit Performance Analytics
Notice bibliographique
Résumé
Public transit transportation plays a crucial role in the daily lives of many individuals, offering an affordable and convenient means of commuting to work, school, and various destinations. For instance, it serves as a vital mode of transportation to access their workplace, educational institutions or other activities. Any disruptions in bus schedules can lead to significant consequences, including missing meetings and other essential commitments for city residents. Thus, this paper presents a big data science and engineering solution for transit performance analytics in the area of transportation analysis. The insights derived from this data analysis are instrumental in enhancing the performance of public transportation, ultimately leading to an improved commuter experience in the city and contributing to the development of a smart city. To elaborate, our solution employs frequent pattern mining to identify variations in transit performance across different neighborhoods. By uncovering significant patterns, we establish connections that help us pinpoint the factors contributing to bus delays in specific areas. Improving the accuracy of bus arrival and departure times can significantly enhance the overall usability and appeal of public transit for commuters, as people are more likely to rely on buses when they are punctual and ensure timely arrivals at their destinations. Furthermore, our solution equips users with tools to visualize the insights gained from the analysis of bus departure times in various neighborhoods at different times of the day. The practicality of our big data science and engineering solution was demonstrated through an evaluation using real-life public transit data from a Canadian city, underscoring its potential to contribute to the development of a smart city.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 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 ».