Estimation of Annual Average Daily Bicycle Traffic with Adjustment Factors
Notice bibliographique
Résumé
The purpose of this research was to investigate the estimation accuracy of annual average daily bicycle (AADB) traffic volumes when both daily and monthly adjustment factors (DFs and MFs, respectively) were used. Daily bicycle volume data for a full year were collected at 12 permanent count stations during 2010 in the city of Vancouver, British Columbia, Canada, and used to calculate adjustment factors for bicycle traffic. The factors were applied to estimate the AADB traffic volumes at other count stations where data were available for most of the year. A comparison between the use of MFs and seasonal factors showed that the results supported the superiority of using MFs. Detailed error analyses showed that the lowest errors were attained when the developed factors were applied to the volume data of 2010, which was the same year of the development data. For estimating the AADB with only 1 day of bicycle volume data, daily bicycle volumes were multiplied by both DFs and MFs. A disaggregate error analysis estimated the amount of error attributable to the use of DFs versus MFs. Almost 15% of the estimation error of the AADB could be attributed to the use of DFs, whereas 11% was attributed to the use of MFs. Nevertheless, the overall error of using the two factors together was about 23%. The paper also provides insights on the days and months for collection of data on bicycle volumes. Those insights could improve the design of data collection programs for bicycle traffic.
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 | 0,006 | 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 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».