Use of <i>n</i>-Fold Cross-Validation to Evaluate Three Methods to Calculate Heavy Truck Annual Average Daily Traffic and Vehicle Miles Traveled
Notice bibliographique
Résumé
Reliable estimates of heavy-truck volumes in the United States are important in a number of transportation applications including pavement design and management, traffic safety, and traffic operations. Additionally, because heavy vehicles emit pollutants at much higher rates than passenger vehicles, reliable volume estimates are critical to computing accurate inventories of on-road emissions. Accurate baseline inventories are also necessary to forecast future scenarios. The research presented in this paper evaluated three different methods commonly used by transportation agencies to estimate annual average daily traffic (AADT), which is used to determine vehicle miles traveled (VMT). Traffic data from continuous count stations provided by the Iowa Department of Transportation were used to estimate AADT for single-unit and multiunit trucks for rural freeways and rural primary highways using the three methods. The first method developed general expansion factors, which apply to all vehicles. AADT, representing all vehicles, was estimated for short-term counts and was multiplied by statewide average truck volumes for the corresponding roadway type to obtain AADT for each truck category. The second method also developed general expansion factors and AADT estimates. Truck AADT for the second method was calculated by multiplying the general AADT by truck volumes from the short-term counts. The third method developed expansion factors specific to each truck group. AADT estimates for each truck group were estimated from short-term counts using corresponding expansion factors. Accuracy of the three methods was determined by comparing actual AADT from count station data to estimates from the three methods. Accuracy of the three methods was compared using n-fold cross-validation. Mean squared error of prediction was used to estimate the difference between estimated and actual AADT. Prediction error was lowest for the method that developed separate expansion factors for trucks. Implications for emissions estimation using the different methods are also discussed.
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 | 0,003 | 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 ».