City decision-making : optimization of the location and design of urban green spaces
Bibliographic record
Abstract
Le besoin grandissant pour une planification urbaine plus durable et pour des interventions publiques visant à l'amélioration du bien-être collectif, ont grandement contribué à un engouement pour les espaces verts. Les parcs sont reconnus pour leur impact positif en zone urbaine dense, et nous sommes intéressés par l'application des concepts théoriques du domaine de la recherche opérationnelle pour assister les décideurs publics afin d'améliorer l'accessibilité, la distribution et la conception des parcs. Étant donné le contexte, nous sommes particulièrement motivés par le concept d'équité, et étudions le comportement des usagers des parcs à l'aide d'un modèle d'interaction spatiale, tel qu'appliqué dans les problèmes d'emplacement d'installations dans un marché compétitif. Dans cette recherche, nous présentons un modèle d'emplacement d'installations à deux étapes pouvant être adapté pour assister les décideurs publics à l'échelle de la ville. Nous étudions spécifiquement l'application aux espaces verts urbains, mais soulignons que des extensions du modèle peuvent permettre d'aborder d'autres problèmes d'emplacements d'installations sujets à des enjeux d'équité. La première étape de notre problème d'optimisation a pour but d'évaluer l'allocation la plus équitable du budget de la ville aux arrondissements, basé sur une somme du budget pondérée par des facteurs d'équité. Dans la deuxième étape du modèle, nous cherchons l'emplacement et la conception optimale des parcs, et l'objectif consiste à maximiser la probabilité totale que les individus visitent les parcs. Étant donné la non-linéarité de la fonction objective, nous appliquons une méthode de linéarisation et obtenons un modèle de programmation linéaire mixte en nombres entiers, pouvant être résolu avec des solveurs standards. Nous introduisons aussi une méthode de regroupement pour réduire la taille du problème, et ainsi trouver des solutions quasi optimales dans un délai raisonnable. Le modèle est testé à l'aide de l'étude de cas de la ville de Montréal, Canada, et nous présentons une analyse comparative des résultats afin de justifier la performance de notre modèle.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".