Generative Design of Geospatial Interventions With Automated Machine Learning and Bayesian Optimization
Notice bibliographique
Résumé
Geo-interventions are actions implemented in geographic space that attempt to alter targeted outcomes in the real world. Many common Geographic Information Systems (GIS) modelling approaches, such as clustering, regression, multiple criteria decision analysis, and cellular automata, do not focus on the concept of geo-interventions, albeit eventually using these approaches to inform decision-making that lead to the implementation of geo-interventions. This dissertation developed a user-guided approach to design and generate geo-interventions with vector geospatial data by defining a conceptual framework, designing a logical architecture, developing a web prototype, and conducting a case study for geo-interventions based on Automated Machine Learning (AutoML) and Hyperparameter Optimization (HPO) techniques. A literature review was conducted on the importance of geo-interventions, and to gather key literature for defining the conceptual framework with ideas from integrating GIS modelling, AutoML, and HPO. Next, the concept of geo-interventions was formulated into a geodata-driven optimization problem to structure methods for the conceptual framework, logical architecture, web prototype, and case study. The conceptual framework was defined by using conceptual components from the literature review, while the logical architecture used this framework to specify components and subsystems for software development. This architecture was applied to develop a web prototype for demonstrating the functionality of a geo-intervention design and generation system. A case study on reducing traffic collisions in Toronto, Canada was conducted to test the web prototype on a real-world problem. Considerations, benefits, limitations, and research implications on the conceptual framework, logical architecture, web prototype, case study, and their methods were discussed. By incorporating the concept of user-guided geo-intervention design and generation, the divide between spatially focused research and practice greatly decreases by linking spatial methods under the practicality of predicting real-world outcomes with geo-interventions.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».