Bus‐Based Sensor Deployment for Intelligent Sensing Coverage and k‐Hop Calibration
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
ABSTRACT Drive‐by sensing is a promising concept that employs public transport as a mobile sensing platform to achieve high spatio‐temporal coverage for urban sensing tasks. At the same time, the low‐cost nature of mobile IoT sensors necessitates their more frequent calibration to ensure data accuracy and reliability. Manual or lab‐based calibration of a large number of mobile sensors may no longer be feasible and thus new approaches for automatic calibration are needed. Most prior work on optimal mobile sensor deployment focuses on coverage aspect without considering the sensor calibration. In this study, we present a joint approach for optimising the placement of bus‐based sensors for maximising the total unique sensing area and combining the optimal reference sensors geo‐placement for maximising k‐hop calibrate requirements on the selected routes. A metric‐based system developed in our model uses geographical set operations which includes both spatial and temporal joins to quantify the contribution of each bus route and rank them accordingly. We formulate the coverage optimisation problem as a mixed integer linear program (MILP) solve it with a greedy algorithm, and demonstrate this method’s potential using real‐world bus‐transit data from Toronto, Canada and Manchester, UK. Our approach involves a metric‐based system which quantifies each bus route unique coverage contribution for determining an optimal set of bus routes and bus stops for bus‐based and reference sensor deployment, to minimise sensor network costs and maximise spatio‐temporal coverage. The comparison with a random baseline algorithm indicates that our method outperforms in terms of deployment and coverage efficiency. Our results also include the potential of our weighted method in improving drive‐by sensing for air quality monitoring by comparing it with a separate benchmark scheme with different criteria.
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 | 0,000 | 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 découle