Modelling pavement temperature for winter maintenance operations
Notice bibliographique
Résumé
Road and highway maintenance is vital for the safety of citizens and for enabling emergency and security services to perform their essential functions. Accumulation of snow and (or) ice on the pavement surface during the wintertime substantially increases the risk of road crashes and can have negative impact on the economy of the region. Recently, road maintenance engineers have used pavement surface temperature as a guide to the application of deicers. Stations for road weather information systems (RWIS) have been installed across Europe and North America to collect data that can be used to predict weather conditions such as air temperature. Modelling pavement surface temperature as a function of such weather conditions (air temperature, dew point, relative humidity, and wind speed) can provide an additional component that is essential for winter maintenance operations. This paper uses data collected by RWIS stations at the City of Ottawa to device a procedure that maximizes the use of a data batch containing complete, partially complete, and unusable data and to study the relationship between the pavement surface temperature and weather variables. Statistical models were developed, where stepwise regression was first applied to eliminate those variables whose estimated coefficients are not statistically significant. The remaining variables were further examined according to their contribution to the criterion of best fit and their physical relationships to each other to eliminate multicollinearities. The models were further corrected for the autocorrelation in their error structures. The final version of the developed models may then be used as a part of the decision-making process for winter maintenance operations.Key words: winter maintenance, pavement temperature, statistical modelling, RWIS.
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 ».