Impact of Sampling Rate of GPS-Enabled Cell Phones on Mode Detection and GIS Map Matching Performance
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
Emerging GPS (Global Positioning System) enabled cell phones offer new opportunities of data collection in massive volumes at relatively cheaper cost than the dedicated probe vehicles. In Canada, commercial cell phone service providers are beginning to offer GPS-enabled phones and hence enabling a variety of Location Based Services (LBS). Regardless of the application, each cell phone location query or ping is charged with a certain cost and therefore it is in the user's interest to minimize the pinging frequency. Traffic monitoring applications first need to determine whether the GPS-enabled cell phone is actually in an automobile and secondly, it needs to match the current GPS device location to a corresponding link on a GIS (Geographic Information Systems) map. This paper develops a methodology to determine the relationship between cell phone pinging sampling rate and the accuracy of mode detection and map matching processes. It is found that 2 pings of an AGPS cell phone per every 3 minutes results in 80% accuracy in auto mode detection rate. It is also found that the higher the number of pings per interval and the longer the data trace interval, the better the accuracy, achieving as high as 98% auto mode identification rate. The impact of a sampling frequency on map matching algorithm is found to be a function of link length, current speed of a vehicle and period of the day. The developed algorithms are implemented in a previously developed application framework named GISTT.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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