A framework for performance analysis of OpenStreetMap data in navigation applications: the case of a well-developed road network in Australia
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
Although much effort has been put into assessing and improving OpenStreetMap (OSM) data quality, further research is required to determine its reliability and robustness for real-world applications. This study introduces a framework, built on open-source geospatial tools, for analysing the performance of OSM road data across different navigation applications. We tested this framework on an extensive 41,000 km road network in Australia. While our findings generally supported the quality of the OSM dataset, analyses of census data revealed two key relationships: first, a significant link between a city’s population and the quality of its OSM data, and second, a strong influence of Information and Communications Technology (ICT) infrastructure on OSM data development. Furthermore, while navigation tests showed that OSM road networks performed reasonably well, scenario analyses highlighted several issues: a strong correlation between data quality and navigation accuracy; a negative impact of distance on OSM-based route accuracy for long inner- and inter-city routes due to accumulated errors; and the tendency of OSM to suggest sub-optimal paths for routes to isolated locations. This framework offers valuable benefits to a wide range of users. The OSM community can use it to assess data quality before application; individuals and businesses can easily evaluate its utility for navigation and route-planning; and local governments can benefit from improved quality control, particularly for projects involving Connected and Automated Vehicles (CAVs). Finally, the framework’s capacity to design and analyse various routing scenarios provides new insights into overall road network quality.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| 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