UrbanKG est architectura Knowledge Graph quattuor ordinum, elaborata ut data urbium intelligentium de transportatione, energia, ambitu, securitate publica et officiis civium in uno communi modello semantico inter se conectat. In investigatione a Sommai Khantong, Charuay Savithi et Mohammad Nazir Ahmad peracta adhibita est Design Science Research Methodology (DSRM); compages per applicationem proof-of-concept ex fontibus datorum apertorum constructam aestimata est. Knowledge Graph inde effectum continet 287.456 RDF triples, 23.847 entia distincta, 127 genera relationum et 42.384 observationes temporis nota instructas. Investigatores referunt quinque proposita designii impleta esse, 23 exemplaria interrogationum inter-dominium feliciter exsecuta esse atque architecturam propositam technice practicabilem esse quoad integrationem semanticam, repraesentationem temporalem, administrationem foederatam et inferentiam hybridam. Haec reperta non significant applicationem plenam live-production in vera metropoli comprobatam esse.

Problema principale investigationis non solum est data urbana in diversis fasciculis vel servitoribus reperiri, sed etiam diversa systemata eadem obiecta, loca, tempora et relationes modis inter se diversis definire. UrbanKG hanc fragmentationem semanticam per ontologias, identificatores standard, relationes RDF, interrogationes SPARQL et nexus inter dominia tractat.

Studium etiam ostendit accessibilitatem officiorum in urbe examinari posse transportandi infrastructura cum hospitalibus, officiis publicis et indicibus environmentalibus coniunctim aestimando. Attamen, propter limites fontium adhibitorum, consiliorum de sampling, componentium syntheticorum auxilii subiti et quarundam definitionum mensurae, eventus una cum condicionibus proof-of-concept examinatis interpretandi sunt.

1. Problema fundamentale in urbibus intelligentibus: cur data sola non sufficiunt?

Systemata urbium intelligentium data ex infrastructuris technicis inter se independentibus colligunt. Systemata transportationis stationes, vehicula, itinera et cursus; systemata energiae metra, facultates distributionis et consumptionem; systemata ambientalia qualitatem aeris et mensuras meteorologicas; systemata securitatis publicae eventus et facultates interventionis; officia civium autem petitiones officiorum et status earum annotant.

Cum hi actus coniunctim aestimandi sint, diversae institutiones distincta data-models, identificatores, access-protocols et terminologias uti possunt. Itaque informationes transportationis, energiae et ambitus eundem vicum pertinentes systematibus computatoriis inter se non conexae manere possunt.

Haec condicio data silos appellatur. Dimensio semantica huius separationis praesertim magni momenti est: duo data-sets eodem modo condita esse non praestat eosdem conceptus repraesentare aut relationem inter eos manifeste definitam esse.

Exempli causa, identifier stationis in registro transportationis et obiectum loci physici in data-set spatiali identitates diversas habere possunt. Sine relatione communi constituta, fasciculos tantum coniungere non explicat automatice quomodo haec duo registra inter se conectantur.

Quaestio investigationis UrbanKG est data a diversis institutionibus producta, quin omnino in schema centrale transferantur, per structuram semanticam communem interrogabilia et coniunctim interpretabilia facere.

Quid est Knowledge Graph et quid in urbibus intelligentibus praestat?

Knowledge Graph (KG) est exemplar structum cognitionis quod entia mundi realis nodis et relationes definitas inter ea nexibus repraesentat. In urbibus intelligentibus Knowledge Graph sinit entia ex diversis dominiis, ut stationem transportationis, punctum distributionis electricae, sensorem environmentalem, regionem administrativam et officium publicum, in eadem compage semantica inter se conecti. Studium UrbanKG Knowledge Graph non tamquam necessarium repositorium centrale omnia urbis data uno loco continens, sed tamquam infrastructuram quae nexum semanticum inter varios data-sources praebet collocat.

2. RDF triple: quomodo relatio a computatro repraesentatur?

Una e technologiis fundamentalibus studii fontis est Resource Description Framework (RDF). RDF cognitionem in relationibus trium componentium repraesentat:

Subject — Predicate — Object

Subject est ens de quo informatio datur. Predicate explicat qua proprietas aut relatio entis significetur. Object autem aliud ens vel valorem ostendit ad quod relatio conectitur.

Ad methodum RDF fontis explicandam hoc exemplum didacticum independens adhiberi potest:

urb:Durak_A  urb:bulunduguBolge  urb:Bolge_5 .

Haec expressio significat ens nomine Durak_A in regione administrativa nomine Bolge_5 situm esse. Nomina hic sunt placeholders didactica; non exhibentur tamquam vera registra in data-set UrbanKG comprobata.

In RDF identificatores pleni forma URI vel IRI adhiberi possunt. Praefixa abbreviata identificatores longos legibilius ostendere sinunt. Significatio relationis quoque in ontologia definitur, ut diversae applicationes idem predicate constanter aestimare possint.

3. Discrimen inter Ontology, T-Box et A-Box

Ontologia est structura formalis quae conceptus in certo dominio cognitionis, relationes inter eos et proprietates logicas definit. In UrbanKG ontologia adhibetur ut diversae institutiones eadem genera entium communibus significationibus repraesentare possint.

T-Box (Terminological Box) est pars conceptualis et schematica knowledge model. Definit cui classi ens pertinere possit, quomodo classes inter se referantur et quibus generibus entium proprietates applicari possint.

A-Box (Assertional Box) registra exemplaria entium determinatorum et relationes concretas inter ea continet.

Exempli causa, definitio classis nomine "TopluTaşımaDurağı" in ontologia est operatio conceptualis gradu T-Box. Declaratio autem certum ens stationis ad hanc classem pertinere est informatio exemplaris gradu A-Box.

In proof-of-concept UrbanKG fontis 287.456 RDF triples tamquam registra A-Box relata sunt. Hic numerus cum numero classium in ontologia non confundendus est.

4. Quomodo RDF, RDFS, OWL, SHACL, SPARQL et GeoSPARQL inter se differunt?

Haec standards non omnia idem munus agunt. RDF data repraesentat, ontologia significationem eorum data structurat, SHACL conformitatem examinat, SPARQL interrogationes facit, GeoSPARQL operationes spatiales permittit.

Praesertim inferentia logica in OWL et probatio conformitatis datorum in SHACL distinguendae sunt. Quod nova relatio logice in graph derivari possit, non significat data omnes application-constraints satisfacere.

5. Relatio inter Knowledge Graph et digital twin

Digital twin est ratio systematis quae ens vel systema physicum in ambitu digitali repraesentat et per nexus datorum idoneos renovari potest. Knowledge Graph huic structurae omnino idem non est.

In ratione UrbanKG Knowledge Graph infrastructuram semanticam formare potest quae entia physica et administrativa, relationes inter ea, contextum geographicum et data provenance repraesentat. Componentes visualizationis vel simulationis digital twin autem super hac cognitione structa operari possunt.

In investigatione fonte digital twin synchronization inter facultates applicationis architecturae definitum est. Hoc non significat in studio digital twin urbanum plene functionale in live environment operatum esse.

6. Lacuna quam UrbanKG in litteris solvere conatur

Studium fontis indicat rationes priores de Knowledge Graph urbium intelligentium progressus magni momenti in certis data-domains, ut transportatione vel mobilitate, fecisse, sed quaestiones investigationis apertas adhuc exstare quoad administrationem communem datorum institutionum independentium, inferentiam inter dominia et systematicam aestimationem eventuum technicorum.

Km4City, ratio UrbanKG a Liu et collegis, temporal urban Knowledge Graphs et studia priora sicut Snap4City in compage comparativa investigationis tractantur.

Ideo contributio novi studii non est primum usum technologiae Knowledge Graph in urbibus intelligentibus. Contributio est structura ontology-first, administratio foederata datorum, repraesentatio temporalis cognitionis, coniunctio inferentiae deductivae et inductivae atque collocatio evaluationis proof-of-concept in communi design framework.

Fons etiam comparationes cum studiis prioribus continet. Hae comparationes proprietatibus in articulis examinatis relatis innituntur; non sunt interpretandae tamquam certamen internationale completum et independens de performance omnium technologiarum Knowledge Graph possibilium.

Quomodo architectura UrbanKG quattuor ordinum operatur?

Architectura UrbanKG quattuor ordinum constat ex data ingestion, integratione semantica, storage Knowledge Graph et application-analytic services. Primus ordo data ex diversis fontibus in formam RDF convertit. Secundus ordo entity matching, ontology alignment et nexus inter dominia curat. Tertius ordo RDF triples et functiones inferentiae continet. Quartus autem query interfaces, dashboards et decision-support services praebet. Architectura communem usum semanticum praebere intendit, sine necessitate proprietatis datorum centralis.

7. Primus ordo: Data ingestion

Ordo data ingestion informationes quas infrastructura urbis intelligentis variis formis producit in formam ad Knowledge Graph transferendam convertit. Inter fontes sunt sensor streams, registra systematis geographici, publica data-sets aperta et application programming interfaces.

In studio Apache Kafka ad buffering data streams, Apache Flink autem ad stream-data processanda adhibitum est. In proof-of-concept aggregatio per Flink in fenestris quinque minutorum facta est.

Mappings RML et R2RML definiunt quomodo campi data fontis in classes et proprietates in ontologia definitas convertantur. Exempli causa, nomen stationis et station-id in transportatione ad ens stationis publicae transportationis forma RDF constituendum adhiberi possunt.

Haec mapping non est mera mutatio formae fasciculi. Determinare quibus conceptibus campi fontis respondeant necessarium est ad constantiam interrogationum semanticarum posteriorum.

8. Secundus ordo: Integratio semantica

Ordo integrationis semanticae determinat ad quae entia mundi realis registra in diversis systematibus pertineant et quomodo haec entia cum ontologia communi conectantur.

Entity resolution est processus aestimandi utrum diversa registra idem ens repraesentent. Ontology alignment ad definitiones aequivalentes vel relatas in schematibus conceptualibus diversis componendas spectat. Link discovery autem novas relationes inter diversa data-domains constituere permittit.

In proof-of-concept UrbanKG propinquitas spatialis et convenientia generis simul adhibitae sunt. Fons indicat entia intra limen 50 metre posita et genere compatibilia ad nexum owl:sameAs aestimata esse.

owl:sameAs firmam identitatem inter duos identificatores declarat, qui idem ens mundi realis repraesentare censentur. Sola propinquitas locorum identitatem veram non probat. Ideo convenientia generis et aestimatio accuratiae magni momenti sunt.

9. Tertius ordo: Storage Knowledge Graph

Tertius ordo RDF triples effecta et metadata conexa condit. Accessus per interrogationes SPARQL praebetur. Regulae ontologicae ab inference engine tractari possunt et graph embedding models patterna relationum discere possunt.

In applicatione fonte Apache Jena Fuseki 4.7.0 et backend TDB2 adhibita sunt. Systema in ambitu Docker cum quattuor CPU cores et 16 GB RAM operatum est.

Haec informationes de hardware et software necessariae sunt ad intellegendum quibus condicionibus technicis eventus performance referantur. Non licet antea assumere eadem tempora interrogationum in alio hardware obtineri.

10. Quartus ordo: Applicatio et analytica

Ultimus ordo officia continet quae Knowledge Graph effectum interrogant et cum processibus urbanis decision-support conectunt. SPARQL endpoint applicationibus permittit interrogationes relationum per diversa urbana data-domains facere.

Architectura fontis dashboards, relationes eventuum inter dominia, nexus digital twin et prediction-services tamquam componentes applicationis possibiles definit. In proof-of-concept performance productionis continuae in scala urbis realis pro omnibus his componentibus relata non est.

11. Coniunctio quinque urbanorum data-domains in uno communi modello

GeoSPARQL communes conceptus spatiales praebendo adiuvat interrogare ubi entia ex diversis dominiis provenientia sita sint et quomodo inter se collocentur.

Ambitus formalis modelli ontologiae relatam habet 47 classes, 89 object properties et 34 datatype properties. Hae tres categoriae inter se differunt: class genus entis repraesentat, object property relationem inter duo entia, datatype property autem valorem numericum vel textualem enti adnexum.

Quid est Administratio Foederata Datorum?

Administratio foederata datorum est ratio qua diversa data-domains suas institutionales responsabilitates administrationis et storage servant, simul tamen per standards communia coniunctim interrogari possunt. UrbanKG urbana dominia ut sectiones distinctas named graph tractat et proponit ea terminis ontologicis communibus conecti. Sic dominia sicut transportatio vel energia sub uno possessore institutionali datorum colligi non necesse est. Attamen divisio foederata sola non probat authorization gradu personal-data, privacy vel plenam conformitatem legibus effectam esse.

12. Named graphs et interrogatio inter dominia

In RDF named graph sinit certum aggregatum RDF triples sub definita graph identity conservari. Haec structura ad contextus ut data source, domain, version vel tempus separandos adhiberi potest.

In UrbanKG praevidetur dominia transportationis, energiae, ambitus, securitatis publicae et officiorum civium separatim administrari posse. Inter dominia identitates communes, nexus ontologici et functiones federationis SPARQL 1.1 adhiberi possunt.

In SPARQL expressio GRAPH matching in certo named graph facit, dum SERVICE interrogationem ad alium SPARQL service endpoint dirigere potest. Haec non idem munus habent; logica named graph et accessus ad endpoint distributum distinguendi sunt.

Fons indicat in administratione versionis semanticae informationes versionum ontologiae et in notificationibus mutationum Kafka topics adhiberi. In conflictibus update solutio timestamp-innixa et ratio qua consistentia tempore fit descripta sunt.

13. Cur data temporalia separatim repraesentantur?

Quaedam informationes urbis relative permanentes sunt: conexio viarum vel relationes finium administrativorum exempla esse possunt. Valor sensoris, locus vehiculi vel status eventus autem tempore mutari potest.

UrbanKG relationes structurales a registris observationum tempore dependentibus distinguit. Informationes observationum in time-stamped named graphs servari possunt. Ad tempora initii et finis eventuum OWL-Time, ad provenientiam et relationes productionis PROV-O adhiberi potest.

Normalizatio timestamps ad UTC forma ISO 8601 commune fundamentum inter repraesentationes temporis diversorum fontium constituit. Nihilominus summary-data diurna et mensura gradu minutorum eandem precisionem temporalem non habent. Fons hanc differentiam per metadata precisionis repraesentari proponit.

In exemplo clausurae viae studii fontis eventus repraesentatur intervallo temporis quod 15 Martii 2026 incipit et 30 Iunii 2026 finitur. Hoc exemplum est exhibitio codicis ad mechanismum ontologiae explicandum; non confundendum est cum principali observationis periodo 1–14 Maii 2024 proof-of-concept.

Praeterea factum tempore prius accidere per se causalitatem non probat. In interpretatione scientifica catenarum eventuum ordo temporalis et relatio causalis separatim tractandi sunt.

14. Inferentia deductiva et inductiva

Ratio hybrid inference UrbanKG duos diversos modos tractandi informationem coniungit.

Inferentia deductiva (deductive inference) ex relationibus ontologiae definitis et regulis logicis relationes derivat quae manifeste scriptae non sunt, sed regulis sustinentur.

Inferentia inductiva (inductive inference) utitur modellis numericis quae patterna relationum in datis discunt. Methodi Knowledge Graph embedding ad hoc entia et relationes vectoribus repraesentare possunt.

15. Significatio regularum OWL-RL

Fons indicat 23 regulas OWL-RL per mechanismum forward-chaining inference Apache Jena applicatas esse. In forward-chaining ex informationibus praesentibus per regulas novae inferentiae producuntur.

Unum genus regulae exemplare est transitivitas subclass. Si class A est subclass B et B est subclass C, inferre licet A quoque subclass C esse.

In domain inference, cum in ontologia definitum est cui classi proprietas applicari possit, conclusio de classe entis quod ea proprietate utitur obtineri potest.

Fons etiam exempla inferentiae de spatial containment et relationibus classium continet. Magni momenti est quibus relationibus spatialibus et assumptionibus logicis tales regulae in applicatione utantur; non omnes relationes positionales sine condicione transitivae haberi possunt.

In parte evaluationis fontis etiam expressio 23 SWRL rules occurrit. OWL-RL et SWRL technice conceptus diversi sunt. Quare, quia idem numerus occurrit, non assumendum est duas familias regularum identicas esse; differentia terminologica intra studium servata est.

16. Model Knowledge Graph embedding RotatE

RotatE est ratio link prediction quae entia et relationes in Knowledge Graph per repraesentationes vectorum numericorum modellat. In studio fonte propositum RotatE est componentem inductivam praebere quae praeter relationes manifeste registratas patterna nexuum possibilium discere potest.

Embedding model entia in repraesentationes numericas convertit. Hae repraesentationes discere patterna relationum sinunt; tamen quod nexus altum prediction score accipiat non significat relationem in mundo reali certo comprobatam esse.

Hi parameters sunt configuratio modelli in applicatione fonte relata. Non affirmatur in aliis data-sets optimos eventus necessario iisdem parameters obtineri.

Methodus et Resultata Investigationis

17. Sex gradus Design Science Research Methodology

Design Science Research (DSR) est ratio quae progressionem et aestimationem research-artifacts, ut modelli, methodi vel systemata ad problema solvendum, in centro ponit. DSRM est metodologia in fonte adhibita quae hoc studium in processu sex graduum ordinat.

Prima figura fontis relevance cycle DSR cum requisitis conexum, rigor cycle cum scientifica knowledge-base conexum et design cycle quo research-artifact iterative evolvitur et aestimatur inter se coniungit.

18. Quinque design objectives

Fons declarat omnia quinque proposita in evaluatione proof-of-concept impleta esse. Hic eventus “impletum” significat proposita intra definitum ambitum investigationis probata esse. Non significat omnia requisita realis deployment inter institutiones vel operationis continuae per totam urbem impleta esse.

19. Fontes datorum et condiciones sampling

Proof-of-concept fontibus ex quinque urbanis data-domains utitur. Quamquam studium in contextu datorum urbanorum Thailand nititur, non assumendum est singula data-sets in eadem urbe, eodem tempore et eadem methodo directe observata esse.

Ad analysim spatialem adhibita sunt data finium OpenStreetMap et pertinentes fontes publici Thailand. Fons indicat aream studii esse 103,3 km² et octo subregiones administrativas. Densitates populationis relatae variant usque ad 22.400 persons/km² in regionibus centralibus et 1.850 persons/km² in partibus externis.

Inter naturam data-set energiae UCI et dies atque numerum metrorum in fonte relatos sunt res quae ulteriorem verificationem requirunt. Ideo scientifice tutum non est omnia data energiae tamquam mensuras directe Bangkok illo tempore captas exhibere. Valores fontis immutati servantur et hic limes visibilis retinetur.

20. Magnitudo Knowledge Graph effecti

Quod in raw-data sources maior numerus observationum sit et numerus time-stamped triples vel observationum in Knowledge Graph effecto differat, per se non est probatio data-loss. Tamen ad reproducibilitatem interest per quas mapping, aggregation et selection stages singulum source-record transierit. Cum fons auditum singillatim per lineas omnes hos numeros conectentem non praebeat, gradus transformationis absentes non sunt suppositi neque expletivi.

21. Quattuor demonstration scenarios inter dominia

21.1. Effectus traffic incident in alias infrastructuras

Pro 8 Maii 2024 hora 08.15, traffic incident simulatum loco (13,7563° K, 100,5018° D) aestimatum est. Entia pertinentia intra 500 metre circa eventum ex pluribus urbanis dominiis interrogata sunt.

Fons refert energy-distribution node ad 347 metre, air-quality station ad 423 metre et quattuor transport stops inter 156–489 metre. Runtime interrogationis fuit 298 ms.

Hic eventus ostendit diversa genera infrastructurae in una communi interrogatione spatiali inveniri posse. Propinquitas loci sola non probat damnum physicum revera in systemate energiae vel qualitatis aeris factum esse.

21.2. Examinatio relationis inter transportationem et ambitum

In regione D5 valor medius PM2.5 horis transportationis intensae 41,7 µg/m³, valor comparativus totius urbis autem 32,4 µg/m³ relatus est. Fons hanc differentiam ut approximately %29 exprimit.

In eodem scenario densitas transport-stop pro D5 0,9 stop/km², pro centro commerciali 2,1 stop/km² data est. In hac comparatione densitas D5 approximately %57 inferior est. Query time fuit 487 ms.

Hi duo indices ostendunt condiciones ambientales et infrastructuram transportationis in eodem contextu regionali examinari posse. Attamen ex datis inferri non potest penuriam transport-stop directe incrementum PM2.5 causare.

21.3. Selectio facultatum auxilii subiti

In scenario medical-emergency loco (13,7245° K, 100,4932° D), relatum est tres ambulance units disponibles inventas esse quae limen responsionis octo minutorum implerent. Interrogatio 412 ms duravit.

Praecipue servandum est loca ambulantiarum synthetica esse. Eventus non ostendit classem auxilii subiti Thailand realem in situ eventus revera intra octo minuta intervenisse.

21.4. Problema recentiae in data digital twin

Inventae sunt 34 entia quae limen recentiae duarum horarum excederent: 18 smart meters, 12 transport vehicles et quattuor environmental sensors. Fons indicat 31 ex 34 registris manualiter verificata esse ut veras communication failures repraesentarent, quod approximately %91 est.

Query time fuit 523 ms. Hic ratio ad validationem registrorum signatorum in scenario demonstrationis delecto pertinet; non potest adhiberi ut generalis accuratia detectionis defectuum omnium systematum.

22. Performance interrogationum: quid accidit cum numerus dominiorum augetur?

Fons tempora mensurata ex 100 executionibus pro unoquoque query group refert. Cum numerus data-domains quos interrogationes complectuntur crescit, etiam tempora crescere videntur.

Mean valorem centralem generalem temporum interrogationum mensuratorum exprimit; median valorem medium mensurarum ordinatarum; 95. percentile limen temporis sub quo approximately %95 observationum manent; maximum autem maximum tempus relatum.

Quam mensuram dispersionis signum ± in tabula repraesentet in Source Table 8 clare non indicatur. Ideo valores non sunt sponte appellati standard deviation vel confidence interval.

Mean query group unius dominii est 127 ms, dum mean group quinque dominiorum 2.834 ms est. Hoc incrementum additum computational load interrogationibus plura dominia complectentibus indicat; sed quia complexitas query patterns quoque variari potest, per se universalem legem scaling non constituit.

23. Mensura successus entity matching

Fons componentem matching qui aestimat utrum diversa registra idem ens repraesentent per 500 entity pairs probavit. Reference matches a duobus domain experts signata et dissensiones aestimatae sunt.

Pro concordia inter peritos Cohen's kappa coefficient 0,89 relatus est. Kappa concordiam categoricam observatam contra concordiam casu exspectandam aestimat. Valor altus concordiam robustiorem in reference labelling indicat; non confundendus est cum accuracy metric ipsius modelli.

23.1. Formulae Precision, Recall et F1

Sequentes aequationes standard evaluation sunt demonstrationes didacticae quae sensum mathematicum metricorum a fonte relatorum explicant; non sunt novi eventus investigationis.

\[\mathrm{Precision}=\frac{TP}{TP+FP}\]

TP pairs recte tamquam match determinata; FP pairs tamquam match signata sed revera non congruentia significant.

\[\mathrm{Recall}=\frac{TP}{TP+FN}\]

FN pairs revera congruentia sed a modello omissa significant.

\[\mathrm{F1}=\frac{2\times\mathrm{Precision}\times\mathrm{Recall}}{\mathrm{Precision}+\mathrm{Recall}}\]

F1 valor est media harmonica Precision et Recall. Ita sola altitudo unius ex duobus metricis eventum per se non determinat.

Valoribus 0,94 et 0,87 in fonte relatis in formulam insertis approximately 0,90 obtinetur. Metricae sunt rationes sine dimensione. Cum fons numeros true positive, false positive et false negative in perfecta confusion matrix non praebeat, numeri exacti hic non sunt inventi.

24. Resultata quantitativa hybrid inference

Quod Hits@10 sit 0,74 significat in evaluatione link prediction adhibita proportionem qua nexus rectus inter primos decem candidatos invenitur %74 relatam esse. Hic numerus non significat omnes relationes graph cum %74 accuratia comprobatas esse.

MRR (Mean Reciprocal Rank) locum responsi recti in prediction ranking aestimat. In forma standard ubi unum responsum rectum est:

\[\mathrm{MRR}=\frac{1}{N}\sum_{i=1}^{N}\frac{1}{r_i}\]

Hic \(N\) numerum evaluation queries, \(r_i\) autem ordinem responsi recti in interrogatione respectiva significat. Si ordo 1 est, contributio 1; si ordo 2, contributio 1/2. MRR dimensione caret. Cum fons omnia singularia distributionis ordinum non praebeat, valores performance ulterius distincti non sunt creati.

In evaluatione fontis indicatur componentem deductivam schema constraints, embedding model autem data patterns complecti. Hae duae facultates se invicem non substituunt; propositum hybrid approach est officia complementaria in eadem architectura coniungere.

Quomodo accessibilitas officiorum urbanorum computatur?

Investigatio UrbanKG accessibilitatem officiorum urbanorum aestimat condiciones spatiales et temporales accessus ad certa officia per infrastructuram transportationis coniungendo. In studio adhibita sunt Transit-Based Accessibility (TBA), Service Coverage Index (SCI) et Multimodal Accessibility Score (MMAS). Pro primis duobus mensuris definitiones mathematicae datae sunt; pro MMAS weights et intervallum punctorum relata sunt, sed perfecta aequatio calculationis quae omnes gradus normalizationis determinet non exhibetur. Itaque tres mensurae non eodem gradu certitudinis mathematicae aestimandae sunt.

25. Transit-Based Accessibility (TBA)

TBA est ratio partis areae regionis quae intra certum limen temporis transportationis accessibilis habetur ad totam aream regionis. Formula in fonte est:

\[\mathrm{TBA}(d,t)=\frac{\mathrm{Area}(R_{d,t})}{\mathrm{Area}(d)}\]

Variabiles: \(d\) regionem administrativam, \(t\) limen temporis transportationis, \(R_{d,t}\) unionem arearum officiorum intra limen pertinentem accessibilium repraesentat. \(\mathrm{Area}\) est functio calculationis areae.

Si numerator et denominator eadem unitate areae exprimuntur, TBA est ratio sine dimensione. Utrum areae kilometra quadrata an metra quadrata sint rationem non mutat, modo duo termini constanter convertantur.

Mathematice, crescente area accessibili dum tota area regionis fixa manet, TBA crescit. Si area accessibilis intra fines regionis aestimatur et areae superpositae secundum logicam unionis semel tantum numerantur, ratio inter 0 et 1 est.

Fons in contextu 15-minute city limen \(t=15\) minutes adhibet. Attamen aream accessibilem haberi et unumquemque incolam regionis certo officio revera potiri posse non sunt eadem mensura. Distributio spatialis populationis et tempus itineris reale quoque magni momenti esse possunt.

26. Service Coverage Index (SCI)

SCI exprimit rationem punctorum officiorum accessibilium in certa categoria officii ad populationem regionis pertinentis. Aequatio fontis:

\[\mathrm{SCI}(d,s)=\frac{|\{p\in S_s:\mathrm{distance}(d,p)\leq\theta\}|}{\mathrm{Population}(d)}\]

Variabiles: \(d\) regionem, \(s\) genus officii, \(S_s\) collectionem punctorum officii generis pertinentis, \(p\) unum punctum officii, \(\theta\) limen accessibilitatis et \(\mathrm{Population}(d)\) populationem regionis significat.

Valor absolutus collectionis in numeratore est numerus punctorum officii quae condicionem liminis definitam implent. Denominator est numerus personarum. Eventus forma cruda est ratio punctorum officii accessibilium per personam; si tamquam numerus officiorum pro 10.000 personis exhibeatur, scalatio idonea requiritur.

In fonte exempla liminis sunt accessus per transportationem publicam 15 minutorum vel ambulatio 800 metre. Tempus et distantia quantitates dimensionum diversarum sunt; etsi eodem symbolo exprimantur, unitates quantitatum in applicatione comparatarum constare debent.

Praeterea, quomodo distantia ab regione ad punctum officii definiatur, secundum geometriam limitis, punctum centrale vel rete transportationis reale diversos eventus producere potest. Formula fontis omnes has singularitates applicationis per se non determinat.

27. Multimodal Accessibility Score (MMAS)

MMAS definitum est ut accessibilitatem in diversis principalibus dominiis officiorum in unum composite score colligat. In fonte scala eventus inter 0 et 10 data est.

Summa weights est 1. Hoc momentum relativum componentium definit. Attamen quomodo componentes crudi normalizentur et in score 0–10 convertantur in fonte plena aequatione mathematica non datur.

Ideo ex solis weights affirmari non potest algorithmum constitutum esse qui valores MMAS studii reproducat. Praesertim singularia transformationis ad valorem PM2.5 inverse punctandum adhibitae magni momenti sunt.

28. Resultata accessibilitatis in quinque regionibus

In fonte Regio 1 maximum, Regio 8 minimum valorem MMAS habet. Ratio 8,2/2,4 est approximately 3,4; investigatores hanc differentiam quoad inaequalitatem accessibilitatis tractant.

In studio dicitur pattern liminis circa densitatem stationum 1,0 stop/km² inventum esse. Hic eventus est pattern in regionibus examinatis; non debet exhiberi ut universale limen infrastructurae in aliis urbibus comprobatum.

Fons etiam correlationem Spearman \(\rho=-0,63\) inter qualitatem environmentalem et accessibilitatem refert. Spearman rho directionem et vim relationis ordinibus innixae summat. Signum negativum ostendit ordines duarum variabilium directionibus contrariis correlatos esse; causalitatem non significat.

In fonte etiam dicitur gradum medium PM2.5 in areis accessu debili %38 altiorem esse. Sed quia raw subgroup values et informationes uncertainty huius comparationis plene non praebentur, ulterior inferentia statistica non fit.

29. Accessibilitas hospitalis secundum horam diei

Maximum accessus %71 horis matutinis intensis, tempore nocturno autem %28 relatus est. Fons indicat accessibilitatem nocturnam minui.

Hi valores pertinent ad regiones a fonte selectas et methodum calculationis proof-of-concept. Ratio accessus hospitalis non est eadem mensura ac tempus quo ambulantia ad locum eventus pervenit aut officium medicum revera accipitur.

Quod in Source Table 10 accessibilitas nocturna ad %28 cadit, differentias temporales intra ambitum studii ostendit. Hic eventus ad alias urbes directe transferri non potest.

30. Munus scientificum SPARQL queries fontis

In appendicibus articuli sunt exempla structurarum SPARQL ad eventus effectus, relationem transportationis et ambitus, selectionem unitatis auxilii subiti, recentiam datorum et interrogationem inter diversas graph sections.

Logica fundamentalis harum interrogationum est non restricta filtratio per unam tabulam datorum, sed entia diversorum generum ontologicorum per relationes et loca eorum invenire.

Exempli causa, interrogatio accessus hospitalis administrative boundary, transport stop et hospital entities coniungit. Per GeoSPARQL distance function registra invenit quae certam condicionem distantiae complent.

Hospital query in Source Figure 3 continet proximity-filter 2.000 metre. Hic distance-filter non est idem ac plena calculatio veri itineris transportationis publicae 15 minutorum. Nexus inter stationes, schedules, waiting time et road network in calculatione veri travel time etiam seorsum magni momenti esse possunt.

Haec tabula non est translatio ad litteram codicis fontis; est summarium processus independens quod munus scientificum codicis explicat. Ad plenam executabilitatem interrogationum in appendicibus fontis comprobandam, definitiones praefixorum reales, data types, functiones adhibitae et endpoints applicationis seorsum probari debent.

31. Quattuor design principles ex investigatione orta

Principium primum — Modularity ontologiae et governance: Divisio cognitionis urbanae in ontologias dominiorum inter se independentes sed cum standards aligned adiuvat responsabilidades institutionales datorum et necessitates integrationis semanticae simul tractare.

Principium secundum — Separatio informationum structuralium et observationalium: Relationes structurales relative stabiles et registra sensorum continue mutantia in contextibus separatis conservari possunt, ut interrogationes temporis et data provenance ordinatiores fiant.

Principium tertium — Knowledge integration primum: Ut functiones predictionis provectae et analyticae significanter operentur, data relata prius constanter integranda sunt.

Principium quartum — Constitutio top-down ontology-first: In dominiis operationalibus ubi data quality et auditability magni momenti sunt, classes, properties et constraints ante receptionem data exemplarium definire utile esse potest.

Haec principia sunt propositiones transferibiles quas auctores fontis ex design research deduxerunt. Non sunt eventus experimentalis universalis qui ea in omnibus systematibus urbanis sine condicione optimam rationem esse demonstret.

32. Sex problemata technica adhuc aperta in investigatione

Fons in proof-of-concept insertion-capacity 12.000 triples per second refert, simulque indicat hanc capacitatem requisitis real-time infra secundam in scala urbis non satisfacere.

In demonstratione duae renovationes ontologiae probatae sunt. Hoc non significat long-term schema changes magni et continue operantis integrated urban Knowledge Graph solutas esse.

Fons etiam necessitatem storage distributi et query processing pro metropolitan scenarios quae 10 million triples excedere possunt extollit.

Separatio sectionum datorum foederatarum non probat restrictiones accessus gradu personal-data vel conformitatem GDPR plene effectam esse. Fons hoc revera tamquam quaestionem apertam investigationis in futuro evolvendam aestimat.

33. Quomodo reperta interpretanda sunt?

Investigatio UrbanKG praebet technical proof-of-concept in quo diversa urbana dominia per ontologias communes interrogari possunt. Resultata numerica obtenta sub certis condicionibus software, hardware, datorum et interrogationum relata sunt.

Interrogationes feliciter exsecutae facultatem integrationis semanticae sustinent. Resultata conformitatis structuralis partem validationis ontologicae, resultata inferentiae autem facultatem coniuncti usus mechanismorum regulis et learning innixorum demonstrant.

Analyses accessibilitatis officiorum ostendunt differentias regionales examinari posse diversos indices urbanos inter se conectendo. Attamen haec resultata non debent exhiberi tamquam investigatio causalis quae omnes causas inaequalitatis urbanae explicat.

34. Inconstantiae intra fontem et limites reproducibilitatis

Contextus fontium datorum: Non assumendum est registra transportationis, energiae, ambitus et securitatis publicae ex diversis fontibus collecta eandem originem geographicam vel temporalem habere. Loca ambulantiarum synthetica manifeste data demonstrationis sunt.

Expressio 15 minutes: In una sententia sectionis accessibilitatis fontis, dum conceptus 15-minute city explicatur, expressio accessus 1 minuti occurrit. Formula et analyses sequentes per 15 minutes procedunt. Haec differentia tamquam inconsistentia textus studii servanda est.

Terminologia regularum: Pro numero regularum OWL-RL et SWRL in sectionibus distinctis idem numerus 23 adhibetur. Ad certo determinandum quae regulae in applicatione exsecutae sint, codex et lists regularum pertinentes examinandi sunt.

Calculatio accessibilitatis: Formula SCI, percentages accessus in tabula datae et example SPARQL distance-filter diversa munera mensurationis habent. Quomodo haec exacte in singulis gradibus inter se convertantur non eadem amplitudine relatum est. Aequationes conversionis absentes inventae non sunt.

Normalizatio MMAS: Fons weights componentium praebet; sed aequationem quae perfecte definit quomodo unusquisque componens in score 0–10 convertatur non praebet. Ideo scores tabulae ut valores fontis traditae sunt, non quasi independenter calculatae.

Uncertainty statistica: In quibusdam tabulis evaluationis natura statistica exacta valorum ± circa mean non definitur. Novi confidence intervals, significance tests vel effect sizes non sunt producti.

35. Contributio scientifica investigationis et limites

36. Conclusio scientifica generalis

Investigatio UrbanKG a Khantong, Savithi et Ahmad administrationem integratam datorum in urbibus intelligentibus non tractat tantum ut problema collectionis et storage datorum. Studium in centro ponit repraesentationem cognitionis urbanae a diversis institutionibus possessae per conceptus communes, relationes, tempus et contextum geographicum.

Investigatores hanc rationem structurant architectura quattuor ordinum, quinque design objectives, progressione ontology-first, administratione graph foederata et mechanismis hybrid inference. Resultata ex proof-of-concept obtenta practicabilitatem intra ambitum technicum definitum sustinent.

Contributio magni momenti studii, praeter demonstrationem quasdam interrogationes operari, est design principles et quaestiones investigationis apertas pro urbanis Knowledge Graph in futuro construendis formare.

Nihilominus necessitas validationis permanet quoad performance, data provenance, transferabilitatem geographicam, operationem real-time magnae scalae, data privacy et definitiones mensurationis.

Ita UrbanKG intellegendum est non ut systema universale completum quod omnia problemata urbium intelligentium solverit, sed ut design research aestimatum et ad ulteriorem progressionem apertum, quod semantic interoperability inter urbana dominia technice investigat.

Nota de Fonte et Methodo

Informationes publicationis academicae originalis

Titulus originalis: Knowledge Graphs for Integrated Urban Data Management in Smart Cities: A Framework for Semantic Interoperability Across Urban Domains.

Auctores: Sommai Khantong; Charuay Savithi; Mohammad Nazir Ahmad.

Corresponding author: Sommai Khantong.

Prima institutio: Digital Business and Information Systems Department, Mahasarakham Business School, Mahasarakham University, Thailand.

Secunda institutio: Smart City Management and Digital Innovation Department, Mahasarakham Business School, Mahasarakham University, Thailand.

Tertia institutio: Institute of Visual Informatics, Universiti Kebangsaan, Malaysia.

Journal: Urban Science.

Publisher: MDPI, Basel, Switzerland.

Registrum publicationis: 2026, volume 10, issue 6, article 308.

Submitted: 14 Martii 2026.

Revised: 19 Maii 2026.

Accepted: 27 Maii 2026.

Published: 1 Iunii 2026.

DOI: 10.3390/urbansci10060308.

Publicatio officialis: https://www.mdpi.com/2413-8851/10/6/308.

Licentia: Creative Commons Attribution 4.0 International (CC BY 4.0). Condiciones licentiae.

Genus fontis: Investigatio academica peer-reviewed; methodus design science et evaluatio technica proof-of-concept.

Financing: Mahasarakham Business School, Mahasarakham University, Thailand.

Conflictus utilitatum: Auctores declaraverunt nullum conflictum utilitatum adesse.

Accessus ad software et data: Studium fontis refert applicationem in UrbanKG GitHub repository sub licentia MIT praebitam esse. Contentum codicis hodiernum et status operationis repository in hoc articulo Verianla independenter exsecuta et comprobata non sunt.

Contributa investigatorum

In fonte conceptualization Sommai Khantong et Charuay Savithi; methodology Sommai Khantong et Mohammad Nazir Ahmad; software, formal analysis, investigation et data curation Sommai Khantong adscribuntur. Validation a Sommai Khantong et Charuay Savithi peracta est. Original draft a Sommai Khantong praeparata est; Charuay Savithi et Mohammad Nazir Ahmad ad review et editing contulerunt. Visualization, project administration et funding acquisition inter contributiones Sommai Khantong; supervision inter contributiones Charuay Savithi et Mohammad Nazir Ahmad relata sunt.