Digital Twins as Decision Support Systems for Sustainable Smart Cities: a Traffic Analysis Perspective
Notice bibliographique
Résumé
Digital Twin (DT) technology has revived the interest in the \nSmart City concept, allowing to build accurate digital \nmodels of complex phenomena, serving as decision-making \nsupport systems for different urban stakeholders. In this \nthesis, we focus on main DT building blocks allowing for \nefficient analysis of the urban environment. The technology \ncould be employed as a simulation tool to analyze \nenvironmental impacts, exploring alternate scenarios. \nGrounding the study, we explore the use of the technology \nvia two use-cases: Acc2Twin for transport packaging and \nParallelTwin for traffic analysis — focusing on road network \npartitioning. The Acc2Twin cases showcases a data processing \npipeline aimed at building a continuous road network (path) \ntopology, given in input to a first-principles DT, tasked \nwith simulating stretch forces exerted on palletized \nproducts during transportation. Acc2Twin interpolates route \ndata to an arbitrary precision to allow for the replication \nof real transport conditions. The second use-case, \nParallelTwin, aims at optimizing parallel simulations of \nvehicular traffic with the SUMO software package, reducing \nsimulation time, and enhancing system performance without \naltering the core pre-existing simulation program. We report \non PartitionTwin’s framework, operational mechanisms, \ncommunication protocols, and the METIS algorithm for \nefficient graph partitioning, researching efficient \npartitioning weights to obtain a balanced simulation \nworkload.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».