Extracting Networkwide Road Segment Location, Direction, and Turning Movement Rules From Global Positioning System Vehicle Trajectory Data for Macrosimulation
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
The emergence of road users' global positioning system (GPS) trajectory data is attracting increasing research interest in knowledge discovery to improve transport planning-related methods and tools. In fact, the widespread use of GPS-enabled smartphones and the mobile internet has increased the availability and size of such data. With the increase in GPS data coverage and availability, some research has expanded its use to estimate state-wide vehicle-miles travelled, to classify driving maneuvers for road safety assessment, or to estimate environmental performance indicators, such as vehicular fuel consumption and pollution emissions. In computer science, research has used GPS data to infer road network maps. Although the inferred maps provide a correct topology and connectivity, they lack the essential details to be used for transport modeling. Therefore, this work proposes a method to extract network-wide road direction and turning movement rules. In addition, building a road network model under the widely used macroscopic transport modeling software serves as a proof of concept. A sensitivity analysis was carried out to determine the output quality and recommend future improvements. Road segment geometry and directionality were extracted accurately (case study accuracy of 95<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">%</sup>); however, turning movement rules can be extracted more accurately using a larger GPS vehicle trajectory sample (case study accuracy of 68%).
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