Predicting Directional Design Hourly Volume from Statutory Holiday Traffic
Notice bibliographique
Résumé
Estimating design hourly volume (DHV)—commonly the 30th highest hourly volume (30HV) in a year—from sample counts is an important aspect of traffic engineering practice. Directional DHV (DDHV) on highways without permanent traffic counters (PTCs) is usually determined by the estimated annual average daily traffic (AADT) being multiplied by the ratio of DHV to AADT and the directional split ratio during the DHV at a PTC on a similar road. However, highway designers have questioned the validity of this method, and its limitations have been well discussed. Because recreational travel on most holidays in developed countries is active and increases highway traffic volumes vastly, the main intent is to develop more accurate and efficient DDHV prediction models based on directional hourly volumes that occur during holiday periods. The existing literature on DHV is reviewed, then holiday traffic peaking characteristics are investigated on the basis of the past 20 years of data from PTCs on rural highways in Alberta, Canada. Accounting for holiday traffic peaking characteristics such as directional peaking features, discernible and consistent hourly volume patterns during holiday weeks, and the remarkable contributions of holiday travel to the yearly highest hourly volumes, genetic algorithms (GAs) are used to assist in the development of several DDHV prediction models that correspond to various holidays and road types. The analysis results indicate that GA-assisted DDHV models consistently outperform the existing models.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 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 ».