Fusion of Disaggregate Event Records from Uncoordinated Traffic Detectors: A Case Study in Detector Performance Verification
Notice bibliographique
Résumé
Though temporally aggregate traffic data has several troubling issues, a shift to disaggregate data has been inhibited by the necessary volume of microscopic vehicle data, which is often unavailable to practitioners. New mobile traffic sensors, including video, radar, and electromagnetic devices, have relieved this constraint. While the flexibility of such mobile systems is considered an advantage, coordinating these devices is difficult in practice. It is desired to maintain the advantages of these new technologies while providing a simple means of matching individual detection records between multiple sensors through data fusion. The purpose of this paper is to present an algorithm for fusing disaggregate detection event records from uncoordinated traffic detection devices. Detector data was collected at two urban sites within Montreal, Quebec using one wireless plate magnetometer per lane and one microwave radar detector per site. Video footage was collected to facilitate the creation of a ground truth data set. The algorithm was designed to include a time threshold and a moving average for time compensation, which enabled synchronization between the uncoordinated devices. Results from the algorithm were compared to a ground truth data set created manually. The time compensating algorithm with a time threshold of 1.5 seconds provided the highest rate of correct matches, with greater than 96% of event pairs matching those from the manually generated data set. A case study demonstrated the application of the matching algorithm in automated detector performance verification.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».