Understanding Traffic Patterns using Clustered Semantic Trajectories and Local Geographic Units
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
Revealing traffic behavior from GPS data is a possibility to create a current and detailed data basis for city and traffic planning. Currently, traffic planning is mostly done by surveys or simulations, which may be costly, slow and not flexible enough. The concept of semantic trajectories has become relevant in recent years. Enriching GPS trip data with additional data helps to gain more insights into traffic behavior and can even reveal trip purposes of the drivers. This paper introduces a combination of a data-driven city segmentation with semantic trajectories. We show that enriching GPS trip data with additional information and analyzing the destination areas of these trajectories in detail helps to understand the journey and to reveal possible trip purposes. Multiple data sources are used, such as Points of Interest (POI), OD-points and whole trajectories of cars, vans and trucks. A fully automated clustering approach is introduced, which results in an interpretable city segmentation. The results are added to the trajectories before they are clustered. As a result, trajectories are clustered into four groups which can be interpreted as differences in the travel purpose as well as the start and end point of the trips. The method is demonstrated for the city of Frankfurt am Main, with trajectories, that either start, end, or pass through the city. By comparing the segmented city area with land-use maps and by interpreting a random sample of the clustered GPS trajectories, the plausibility of results is discussed.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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