Improving Group Assignment and AADT Estimation Accuracy of Short-term Traffic Counts using Historical Seasonal Patterns & Bayesian Statistics
Notice bibliographique
Résumé
Annual Average Daily Traffic (AADT) is one of the most important pieces of data being used widely in planning, design, operation and management of roads and facilities. A reliable estimate of AADT has always been one of the main interests of transportation and highway agencies. Traditionally, AADTs are estimated for the majority of road segments of a network from short-term traffic counts (STTCs or coverage counts) by applying a set of expansion factors derived from permanent traffic counts (PTCs). Literature indicates that the FHWA (Federal Highway Administration) method may be most widely used. In this method, roads in the same functional class are assumed to have similar traffic patterns, and the factors derived from PTC data collected from the class is used to convert STTCs to AADT estimates. However, it should be noted that, because roads from a functional class do not necessarily have similar seasonal traffic variations, this method may sometimes produce large estimation errors. In this regard, this paper proposes a novel pattern-matching method, which constructs a seasonal traffic variation profile for a short-term counting site using all historical counts available and then use this profile to assign the site to a PTC or a PTC group. In addition, a Bayesian approach is developed to explicitly consider and show the “risk or uncertainty” associated with assigning each short-term counting site to different PTC or PTC groups. Study results based on the simulated STTCs from a permanent counter on a winter recreational road in Alberta, Canada show that the new method proposed can limit the 95th percentile (P95) AADT estimation error to less than 13%, in contrast to 21.7% from the FHWA method. Moreover, it should be noted that the proposed method will not impose any additional monitoring cost, or make any change to existing traffic monitoring programs, and therefore it will be easy for highway agencies to incorporate the proposed method in their practice.
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 ».