Condition Rating Models for Sustainable Pavement Marking
Notice bibliographique
Résumé
The latest available statistics for road casualty collisions (2003) in Canada reported that the average annual cost of motor vehicle traffic crashes was $10-$25 billion. The number of fatal collisions is increasing randomly and that reduces road and public safety. A previous study concluded that inadequate and poorly maintained pavement markings are often cited as the most contributing factor to fatal crashes. There are numerous types of pavement marking materials available that complicate managing the application and replacement of these markings. Canadian municipalities face a great challenge of managing the striping and re-striping activities of these markings. One of these challenges is how to assess the condition of pavement marking materials. Therefore, present research considers several factors which influence the condition of the pavement marking materials, such as age of marking material, traffic conditions, road surface, and environmental conditions and their effect on different pavement marking materials. Condition rating models are developed to assess the effectiveness of striping and re-striping actions for pavement marking. These models target only alkyd and epoxy pavement marking materials but they draw a framework which can be used for other marking materials. A condition rating scale is developed, which numerically ranges from “1” to “5” and linguistically from “Excellent” to “Critical”, respectively. The developed models were based on data collected from the province of Quebec, Canada. Results show that 96% to 99% of pavement marking condition can be explained through the developed regression models. The percentage average validity of the developed models varies from 87% to 99%, which are satisfactory results.
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 | 0,000 | 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 ».