Urban Transportation Data Research Overview: A Bibliometric Analysis Based on CiteSpace
Notice bibliographique
Résumé
Urban transportation data are crucial for smart city development, enhancing traffic management’s intelligence, accuracy, and efficiency. This paper conducts a comprehensive investigation encompassing policy analysis, a literature review, concept definition, and quantitative analysis using CiteSpace from both domestic and international perspectives. Urban transportation data comprise multiple dimensions, such as infrastructure status, real-time monitoring, policy planning, and environmental assessment, which originate from various sources and stakeholders. Highly influential authors and active institutions, particularly in the USA, China, Canada, and England, contribute significantly to extensive and collaborative research. Key areas include intelligent transportation, traffic flow prediction, data fusion, and deep learning. Domestic research focuses on practical applications, while international studies delve into interdisciplinary research areas. With advancements in intelligent systems and big data technology, research has evolved from basic data collection to sophisticated methodologies, such as deep learning and spatiotemporal analysis, driving substantial progress. This paper concludes by recommending enhanced data integration, improved privacy and security, fostering big data and AI applications, facilitating policy formulation, and exploring innovative transportation modes, thereby underscoring the importance of urban transportation data in shaping the future of smart cities. The findings provide theoretical and practical guidance for the future intelligence, efficiency, and sustainability of urban transportation 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.
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 | 0,008 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,245 | 0,306 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,011 | 0,011 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».