Development and application of knowledge graph-based spatiotemporal data model for urban physical examination
Notice bibliographique
Résumé
The urban physical examination is pivotal in diagnosing and resolving ‘urban diseases’. However, it encounters challenges including the intricate interconnections among heterogeneous data, the spatiotemporal differences in urban pathologies, and the multi-dimensional scenario-oriented representation. A knowledge graph is a potent technical instrument capable of depicting data replete with relational details and capturing the dependency ties among entities. In view of the above, this paper proposes a knowledge graph-based spatiotemporal data model for the urban physical examination. The model focuses on application scenarios, and builds a conceptual model with a three-layer architecture of ‘semantics-data-scenario’ and an ontology logic model structured as a hypergraph. This is intended to facilitate the management of spatiotemporal data throughout the process, while also enabling scenario-based spatiotemporal expression. Furthermore, this paper presents an in-depth analysis of the urban greenway construction case. The results show that the model organizes and expresses urban data and knowledge, covering multiple levels (such as themes, connotations, knowledge points, and indicators) and multiple granularities (macro-city, meso-region, micro-street), helping to understand urban physical examination from multiple dimensions. This not only provides a scientific basis for urban planners to make decisions but also sets an example for the practice of urban physical examination knowledge service.
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 | 0,000 | 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 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 ».