Evaluating Annual Average Daily Traffic Calculation Methods with Continuous Truck Traffic Data
Notice bibliographique
Résumé
Traffic volume, often measured in relation to annual average daily traffic (AADT), is a fundamental output of traffic monitoring programs. At continuous count sites, unusual events or counter malfunctions periodically cause data loss, which influences AADT accuracy and precision. This paper evaluates five methods used to calculate AADT values from continuous count data, including the use of a simple average, the commonly adopted method developed by AASHTO (the AASHTO method), and methods that incorporate adjustments to the AASHTO method. The evaluation imposes data removal scenarios designed to simulate real-life causes of data loss to quantify the accuracy and precision improvements provided by these adjustments. Truck traffic data are used to reveal issues arising when volumes are low or when they exhibit unusual temporal patterns. Unlike the AASHTO method, which incorporates a weighted average and an hourly base time period, the FHWA method provides the most accurate and precise results in all data removal scenarios, according to the evaluation. Specifically, when up to 15 days of data are randomly removed, application of the FHWA method can be expected to produce errors within approximately é1.4% of the true AADT value, 95% of the time. Results also demonstrate that including a weighted average improves AADT accuracy primarily, whereas the use of hourly rather than daily count data influences precision. If possible, practitioners contemplating the adoption of the FHWA method should assess its relative advantages within their local context.
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 | 0,009 | 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 | 0,002 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».