Evaluating the Performance of Algorithms for the Detection of Travel Time Outliers
Notice bibliographique
Résumé
Several technologies—including automatic license plate readers, cell phone probes, dedicated Global Positioning System probes, the automatic identification of vehicles equipped with transponders or toll tags, and Bluetooth detectors—can acquire vehicle travel times. The travel times measured by all these technologies contain errors and biases. As a result, several filtering and outlier detection algorithms have been proposed to identify erroneous data and to exclude them from the analysis. However, it is difficult to assess the performance of an outlier detection algorithm in absolute terms or relative to any other algorithm through the use of field data because the true travel times are unknown. Furthermore, it is not possible to identify how well the algorithm can identify a given source of outliers. In this paper a framework is proposed for the evaluation of algorithms that detect travel time outliers. The framework can be customized to address the specific characteristics of any travel time sensor technology. However, in this paper the framework is demonstrated through its application to travel times acquired by Bluetooth detectors on arterial roadways. The framework is used to evaluate the performance characteristics of two outlier detection algorithms proposed by Dion and Rakha. The results show the performance characteristics of both algorithms for a wide range of operating conditions. One of the algorithms is shown to have an approximately 30% likelihood of providing worse results than if no outlier detection algorithm is used. The other algorithm is shown to provide improvements under almost all conditions, with a relative improvement of up to 60%.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».