Utilizing Weigh-In-Motion for Integrated Average Speed and Weight Enforcement (Poster)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Vehicle safety is a very important issue in North America. This study looks at alternative uses to current transportation technologies. Numerous engineering safety countermeasures are deployed in order to reduce the number and severity of collisions on the road. Speed limits are one example of a traditional method of imposing safety restrictions on the travelling speed of vehicles. Differential speed limits are when different vehicles have a different maximum speed limit imposed on them depending on some established criteria like vehicle classification or gross vehicle weight. Differential speed limits based on gross vehicle weight are difficult to enforce, as current technology capable of effectively and automatically doing this is not being utilized. Weigh-In-Motion, or WIM, are systems designed to capture and record axle weights and gross vehicle weights as vehicles drive over a measurement site. Unlike static scales, WIM systems are capable of measuring vehicles traveling at a reduced or normal traffic speed and do not require the vehicle to come to a stop. This makes the weighing process more efficient, and, in the case of commercial vehicles, allows for trucks under the weight limit to bypass static scales or inspection. This study examines a collection of WIM data collected from two different locations in British Columbia, Canada, and examines the statistical relationships between a vehicle’s speed, classification, and gross vehicle weight (GVW). Data comes from the WIM stations outside of Laidlaw and Golden, spaced 560 km apart located on the TransCanada Highway. Data comes from the year of 2014, and the associated weather data has been obtained from Environment Canada.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 découle