Estimation of Annual Average Daily Traffic on Low-Volume Roads: Factor Approach Versus Neural Networks
Notice bibliographique
Résumé
Estimation of the annual average daily traffic (AADT) for low-volume roads is investigated. Artificial neural networks are compared with the traditional factor approach for estimating AADT from short-period traffic counts. Fifty-five automatic traffic recorder (ATR) sites located on low-volume rural roads in Alberta, Canada, are used as study samples. The results of this study indicate that, when a single 48-h count is used for AADT estimation, the factor approach can yield better results than the neural networks if the ATR sites are grouped appropriately and the sample sites are correctly assigned to various ATR groups. Unfortunately, the current recommended practice offers little guidance on how to achieve the assignment accuracy that may be necessary to obtain reliable AADT estimates from a single 48-h count. The neural network approach can be particularly suitable for estimating AADT from two 48-h counts taken at different times during the counting season. In fact, the 95th percentile error values of about 25 percent as obtained in this study for the neural network models compare favorably with the values reported in the literature for low-volume roads using the traditional factor approach. The advantage of the neural network approach is that classification of ATR sites and sample site assignments to ATR groups are not required. The analysis of various groups of low-volume roads presented also leads to a conclusion that, when defining low-volume roads from a traffic monitoring point of view, it is not likely to matter much whether the AADT on the facility is less than 500 vehicles, less than 750 vehicles, or less than 1,000 vehicles.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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 ».