Direct and Lagged Effects of Adverse Winter Weather Conditions on Operating Speed in Urban and Rural Highways: A Time-Series Analysis
Notice bibliographique
Résumé
This paper investigates the direct and lagged effects of adverse winter weather conditions on the operating speed of a number of highway segments in Ontario using a time-series approach. The effect of adverse weather was studied using data from multiple sites including both urban and rural highways, considering weekdays versus weekends separately. For this purpose, a large dataset containing hourly traffic data, weather variables (temperature, snow, wind speed, etc.), and surface conditions were used. Some previous studies have examined the effect of snowstorms on traffic parameters; however, little has been done regarding their spillover effects (lagged effects). Extreme events or weather conditions might have a strong effect on traffic conditions not only during these events, but also before and after such events. In this study, time-series regression techniques―in particular, Autoregressive Integrated Moving Average (ARIMA) models―were used to model highway operating speed. These methods are able to consider the serial correlation among error terms. From the results, it can be inferred that snow storms have a statistically significant effect on speed. The lagged effects are however offset by the time and intensity of winter maintenance operations during and after the event. The effect of weather also varies depending on the type of site (urban or rural) and day of the week. The results of this study can be applied in quantifying the mobility effect of winter weather and benefits of winter road maintenance.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».