Quantifying Measurement Error in Arterial Travel Times Measured by Bluetooth Detectors
Notice bibliographique
Résumé
Travel time is viewed by travelers and road managers as one of the key indicators of quality of service. Bluetooth detectors have recently emerged as a viable technology for the acquisition of vehicle travel times. Several studies have described the application of the technology to freeways and compared the measured travel times with the travel times obtained through other technologies. This paper examines the application of Bluetooth detectors to the acquisition of arterial travel times. The arterial environment is substantially more challenging than the freeway environment because of the frequent interruptions in the traffic flow caused by traffic signals. This paper examines the magnitude of errors in detection time and travel time measurement. It is not feasible to use field data to examine the measurement error because the error is inherent within the observations and cannot be separated. Consequently, a simulation framework is proposed to synthesize measurement errors for a range of arterial traffic conditions. The results show that the mean travel time error is essentially zero for all traffic conditions. However, the variance of the error varies as a function of the traffic conditions. Through multiple regression, the standard deviation of the travel time measurement error is modeled, and it is shown that under some conditions, the 95% confidence interval of this error may reach 25% of the true mean travel time. These results can be used to assess Bluetooth detector deployment plans and provide more insight into the reliability of arterial travel time measurements obtained from Bluetooth detectors.
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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».