Multi-scale dynamic population estimation: an Adaptive Inverse Distance Weighting (AIDW) model incorporating spatial characteristics
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
Dynamic population data are essential for public health, urban planning, and disaster management. However, time-series models have been required for estimating dynamic populations due to limited data availability. The relationship between dynamic populations and spatial characteristics, including residential, employment, and points of interest (POI) density, were examined. Despite these efforts, a comprehensive model integrating spatial characteristics for dynamic population estimation remains absent. A multi-scale approach using Adaptive Inverse Distance Weighting (AIDW) for transient population estimation is introduced to address this. This model incorporates spatial characteristics such as residential, employment, and POI density, and daily mobility patterns, significantly improving accuracy over the traditional Inverse Distance Weighting (IDW) model. Additionally, the estimated dynamic population was disaggregated into smaller spatial units dissemination blocks (DB), providing finer spatial insights for urban planning. Demonstrated in three diverse Montreal neighborhoods, the AIDW model improves dynamic population estimation accuracy by 11.38%, 9.23%, and 7.19% in neighborhoods A, B, and C. Key findings include notable differences in population distribution between working and non-working hours, particularly in residential and mixed-use areas. However, the model’s reliance on footfall camera data presents a limitation, and future improvements could include integrating additional data sources like smart cards or GPS.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,000 | 0,004 |
| 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