Genetically Designed Models for Accurate Imputation of Missing Traffic Counts
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Highway agencies traditionally have used simple methods to estimate missing values in their data sets since traffic data programs were established in the 1930s. A literature review shows that current practices for imputing traffic data are varied and intuitive. No research has been conducted to assess imputation accuracy. Typical traditional imputation methods used by highway agencies were identified in a study and used to estimate missing hourly volumes for sample traffic counts from Alberta, Canada, to examine their accuracy. It was found that such models usually resulted in large imputation errors. For example, for imputing missing data of a traffic count located on a commuter site, the 95th percentile errors for the traditional methods are usually between 10% and 20%. Advanced models based on genetic algorithms, a time-delay neural network, and locally weighted regression developed in the study show higher accuracy than traditional imputation models. Most of the 95th percentile errors for genetically designed neural network models tested on the same count are below 6%. For genetically designed regression models, the 95th percentile errors are less than 2%. Study results based on the sample traffic counts from different trip pattern groups and functional classes show that underlying traffic patterns have some influence on imputation accuracy. However, genetically designed regression models still can limit the 95th percentile errors to less than 5% in most cases. It is believed that such accurate imputations should be able to supply satisfactory data for decision making at both planning and operation levels.
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.
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 | 0,001 |
| 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 | 0,001 |
| 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 découle