Performance Evaluation and Error Segregation of Video-Collected Traffic Speed Data
Notice bibliographique
Résumé
Validating the accuracy of sensors is an essential step in the collection of traffic speed data. The accuracy of automated speed data has been evaluated in small- and large-scale tests using multiple technologies and methods. While inductive loops are standard, video-based detectors have demonstrated the ability to substitute conventional detection devices. Though existing literature documents several issues associated with extracting vehicle speeds from video, the analysis of speed data, especially at the microscopic or individual level, has been limited. The purpose of this paper is to evaluate the accuracy of a video-based detection system, comprised of commercially available video cameras and an open-source computer vision software system. Several camera orientations were tested along an urban arterial and a highway in Montreal, Canada. A semi-automated vehicle tracking process was used to extract the vehicle speeds, which were compared to manually observed speeds. Although the traditional mean relative error approach led to unacceptable results, a new approach was proposed for the evaluation of traffic detection technologies. The segregated error approach divides simplistic mean error into separate values for accuracy and precision. In doing so, several of the camera orientations exhibited precision error values within the accepted range for speed data quality (5%). Even with large errors, the potential exists to calibrate video-based speeds, by removing the over- or underestimation bias, to acceptable performance levels as long as precision error is minimized through appropriate selection of camera position and orientation.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».