Clarus Multistate Regional Demonstrations: Summary of Evaluation Results and Lessons Learned
Notice bibliographique
Résumé
Clarus is a national data management system that integrates road weather data from multiple agencies and shares quality-checked surface transportation weather and pavement observations. Operated as an experimental system for demonstration and evaluation purposes, Clarus has grown substantially since its inception in 2004. As of August 2011, Clarus ingests data from over 2,250 environmental sensor stations in 38 states, four Canadian provinces, and five local department of transportation (DOT) organizations. To spur the growth of applications using Clarus data, the FHWA funded a phased multistate research effort to create and demonstrate operational decision tools in a real-world setting. In addition to an overall application demonstrating the enhanced weather forecasting capabilities possible using Clarus data, four new applications, termed use cases, were developed as part of this effort. These included tools for seasonal load restrictions decision support, nonwinter maintenance and operations decision support, multistate control strategy coordination, and enhanced road weather content for traveler advisories. Proof-of-concept prototype applications were developed by two different systems integrators and deployed by the participating state DOTs during 2010–2011. These deployments were independently evaluated for their potential to improve system operations. This paper summarizes the results of the independent evaluations, providing a glimpse into the value of these applications to state DOTs. Results show that the Clarus system enables innovative applications that provide a wide array of decision support system possibilities. While each of the applications has additional research requirements and implementation challenges to overcome, they demonstrate the potential to proactively change maintenance and weather-responsive management.
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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».