Data imputation and nested seasonality time series modelling for permanent data collection stations: methodology and application to Ontario
Notice bibliographique
Résumé
Analysis and literature review have indicated that transportation agencies often report significant percentage of missing values of traffic volumes collected at permanent data collection stations (PDCS). These missing values can be as high as 60% in some cases. Although invested significantly in legacy systems that rely primarily on inductive loop detectors to collect traffic volumes, transportation agencies are faced with a challenge of relying only on a small set of the traffic data. Despite the fact that transportation agencies are often required to report on various annual traffic statistics such as average annual daily traffic (AADT) and vehicles miles travelled, little research is available on how transportation practitioners handled missing values in their traffic data collection efforts. In this paper, a simple iterative approach is introduced — based on the integration of an imputation algorithm and a time series model — to impute missing PDCS data. The approach is deigned such that the imputation algorithm is implemented first to impute relatively small to medium gaps forming a library of complete datasets; then a time series model is fitted to these stations to form the base for imputing large gaps. The data imputation algorithm is applied on a case study on Ministry of Transportation of Ontario PDCS stations, Canada. The average errors for imputing as high as 90% of missing data — with maximum continuous gaps of 76 h — were approximately 16% with an average median error of 11 veh/h. After all traffic data are imputed, a time series model is estimated to capture the multiple seasonalities and trends in the traffic data across multiple years. The estimated “model” is then used to calculate and produce seasonal variation factors and graphs that are typically required for planning, design, control, operation, and management of traffic and highway facilities. By estimating the model parameters using existing raw data, the model was then tested to assess its accuracy to forecast future years.
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 ».