Online Method to Impute Missing Loop Detector Data for Urban Freeway Traffic Control
Notice bibliographique
Résumé
The dual loop detector provides input data for real-time traffic control. However, the common scenario of missing or invalid loop data samples negatively impacts the performance of the subsequent traffic control or traffic prediction model. This paper describes a method that detects blank data samples when a new data record is listed, then imputes missing data samples to form a complete data record in real time. One three-lane loop detector station on Whitemud Drive in Edmonton, Alberta, Canada, is used as a case study to verify the algorithms. The imputation scope for this study involves diagnosing and filling in the missing data of one lane for at least one whole day at a specific loop station. The diagnosis of missing data for both volume and speed measurements is based on data records from upstream and downstream stations, rather than from single samples. The imputation algorithm for volume and density data models the relationship of one loop detector with all other loop detectors at the same station as linear. The multiple linear regression algorithm is applied to full historic data offline to learn the linear relationship between loops at the same station, and the online data imputation is based on the equations learned. Two other commonly used imputation techniques—pairwise linear regression and the average of the surrounding detectors—are also conducted for comparison. The proposed diagnosis and imputation method enables the loop data input to support control models with high frequency and large data requirements.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 ».