Performance Assessment Methodology for Sustainable Pavement Marking
Notice bibliographique
Résumé
One of the most contributing factors to fatal motor vehicles crashes is the inadequate and poorly maintained pavement marking. The cost of these crashes is estimated to range between 10-25 billion Canadian dollars annually. Consequently, the different companies/authorities that manage pavement marking should set a target for themselves to be more cost efficient through building a strategic plan to renew and restripe pavement marking. The objective of this paper is to develop a methodology and model(s) that predict the performance of the pavement marking at different average annual daily traffic, percentage of trucks, age, and type of road. Due to the typical scarcity of data, particularly for performance of pavement marking, there is an essential need to predict this performance. In order to achieve this objective, a sound technique, such as unsupervised neural network, is used. Therefore, the developed models are designed using unsupervised neural network in conjunction with regression analysis. Data for this research were collected from the city of Ottawa, Ontario, Canada for the Alkyd paint material. The developed model is validated and the results show that the percentage average validity is 73%. Similarly, the fitness function value is found to be 789; which means the developed model is a sound fit. Marking performance is assessed using a performance scale, which numerically ranges from “1” to “5” and linguistically from “Excellent” to “Critical”, respectively.
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 | 0,009 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».