Selection of Automated Data Collection Technologies Using Multi Criteria Decision Making Approach for Pavement Management Systems
Notice bibliographique
Résumé
Data collection is a critical aspect of any management system. Pavement Management Systems (PMSs) rely on consistent and repeatable data collection. Traditionally, such data has been collected through manual surveys, which are subjective, tedious, and time consuming. However, over the past two decades, there has been ongoing development of automated data collection technologies. The literature reveals a large number of services and distress data collection technologies each with different features and levels of automation and complexity. These technologies provide fast and improved methods to collect, process, and analyze data. The key is to identify and collect the most useful, reliable, cost-effective information and use it to make informed decisions for asset management. The accuracy and reliability of automated data collection can significantly impact pavement decisions at project and network levels; therefore, it is important that agencies ensure that high quality pavement condition data is collected and processed. Ultimately, this can be assured by carefully selecting the automated technology to be used for data collection. This paper presents a framework for the evaluation and selection of the appropriate automated data collection technologies for pavement management systems when there are several factors. The framework is used to facilitate the selection of the most appropriate automated data collection technologies by the aid of a Multi Criteria Decision Making (MCDM) computational approach. A case study of the province of Ontario is presented to illustrate how the framework can be implemented.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».