The Effect of Weather on Travel Speed from Bluetooth Sensor Data on a Cold-City Urban Arterial
Notice bibliographique
Résumé
While traffic flow (volume) is associated with variations in travel times or speeds, studies have shown that weather can play a significant role especially in the winter context of North American cold cities. This study investigated the effect of weather and temporal variables on travel speeds obtained from Bluetooth sensor data collected during winter time. This research is based on data from 2013-2015 collected from permanent sensors installed along one of the main urban arterials in Montreal, Canada. The hourly weather variables included were snow, rain, temperature, visibility, and wind speed. The effects were modeled at an hourly level using three linear regression models considering the whole dataset, only winter period data and only out of winter period data. The results confirmed the major importance of snow as a hindrance to travel speed. The effect of rising temperature was expectedly found to have slightly increased travel speeds as it increased. The impact of visibility and wind speed were found to have positive and negative benefits respectively as they increased although, their effect was not as pronounced as snow. More out of winter data is needed to clarify the effects of rain on travel speed. In regards to the temporal variables, greater speed reductions were unexpectedly observed in the fall than in the winter. It is interesting to note that the hourly count of travel times provided much of the explanatory power to the models suggesting that Bluetooth data may be a good estimator of traffic volume proportions.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».