Clustering bike sharing stations using Quantum Machine Learning: A case study of Toronto, Canada
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
Quantum Machine Learning (QML) is a field that combines the principles of Quantum Computing (QC) and Machine Learning (ML). QC works by taking advantage of the properties of quantum physics, such as superposition and entanglement. To fully realize the potential of this technology, more research is necessary, as the field of QML is still in its early stages. Since QC technologies and devices continue to develop quickly, it is important to identify the use cases and applications that benefit the most. This paper investigates the potentials of QC, and more specifically, Quantum Annealing (QA), for clustering real-world data in transportation systems. The Bike Sharing System (BSS) is used as a case study applying a clustering model on QA computers. The main contribution of this research is to introduce a hybrid model to cluster stations in a BSS by solving it as a Constraint Satisfaction Problem (CSP) problem with different methods on a QA computer using a real-time dataset. In addition to the practical contribution, this research also offers theoretical advancements in the field of computational optimization by defining a new topology for the input data that is compatible with QC topology (e.g., Chimera topology). The goal of real-time clustering BSS stations based on dynamic and static datasets is, in fact, to assist decision-makers in better managing and minimizing the risk of bike unavailability at each station and rebalancing bikes shared. Three different methods have been used to determine the number of clusters, and Euclidean, Manhattan, Pearson, and Spearman dissimilarity functions have been applied to cluster the stations. The evaluation is done using the magnitude vs. cardinality approach. The distribution of the stations, magnitude, and cardinality of the results indicate the potential to use QC for clustering for a real-world application, e.g., BSS.
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) | 0,001 | 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