A freight data repository as foundational pillar for urban freight research
Notice bibliographique
Résumé
This research shows the key components and lessons learned from a freight data repository in Canada. The Freight Data Warehouse (FDW), hosted at the University of Toronto, was developed as part of the Smart Freight Centre, a collaboration between researchers from five Canadian universities and key stakeholders in the Greater Toronto and Hamilton Area (GTHA). The data repository exemplifies a successful collaboration between private, public, and academic sectors. This research presents the critical aspects of a data governance framework, a data policy, data classification, and data handling that was developed for the data repository. It shows a case study that computes the greenhouse gas (GHG) emissions on Highway 401 in the GTHA by using a data fusion approach. It discusses the potential policy impacts of the FDW for transportation professionals and policymakers. It also showcases a dashboard prototype to visualize GHG emissions and air contaminants on freeways in the GTHA. Lastly, it discusses vital insights the FDW team has learned over its six years of operations. Ultimately, this research intends to show practitioners and the scientific community the potential for freight data repositories to become foundational pillars for transportation research. • Shows the key components and lessons learned from a freight data repository in Canada. • Presents a data governance framework, a data policy, data classification, and data handling procedures. • Computes greenhouse gas emissions on Highway 401 in the Toronto Area using data fusion. • Discusses transportation policy applications of the data repository.
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 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 | 0,015 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».