Hybrid Approach for Clustering Vehicle Classification Data to Support Regional Implementation of the Mechanistic–Empirical Pavement Design Guide
Notice bibliographique
Résumé
This paper develops a hybrid approach for analyzing vehicle classification data and applies the approach to a fused data set from multiple jurisdictions in the Canadian prairie region. Application of the approach results in a set of regional default truck traffic classification groups for use in the Mechanistic–Empirical Pavement Design Guide. The hybrid approach is a conglomeration of three components: statistical clustering procedures, expert judgment, and industry intelligence. By applying the hybrid approach, analysts receive the joint benefits of analytical rigor and industry-oriented pragmatism. Application of this approach results in eight truck traffic classification groups for the Canadian prairie region that exhibit distinct differences from the default distributions developed for national use in the United States. The benefits of applying the hybrid approach on fused data sets include (a) the statistical strength gained from use of additional classification data, (b) the development of truck traffic classification groups that better reflect the diversity of patterns in a region, and (c) the potential for improved ability to capture future shifts in truck traffic characteristics because of experience gained in other jurisdictions. The paper also identifies limitations to the hybrid approach that should be considered. These limitations include varying data quality between jurisdictions, the sensitivity of low-volume sites to changes in industry patterns and the ability to track these changes, and potential shortages of continuous classification sites. When its benefits and limitations are well understood, the hybrid approach can be applied to truck traffic data analyses in any jurisdiction.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 ».