Quality Measure of Short-Duration Bicycle Counts
Notice bibliographique
Résumé
The average annual daily bicyclists (AADB) measure is commonly used in research and practice as a metric for cycling studies, such as bike ridership analysis, infrastructure planning, and injury risk. It is estimated in one of two ways: by averaging the daily cyclist totals measured throughout the year with a long-term automated bicycle counter, or by using a long-term bicycle counter to extrapolate data from a short-term counting site. Unfortunately, extrapolation of a short-term bicycle counting site can produce inaccurate AADB estimates as a result of different error sources; the range of possible error is highly correlated to several characteristics of the short-term count, such as the counting period, flow intensity, and time of year. This paper proposes a simple method to estimate the quality of a short-term count through a single metric combining five factors associated with the count variation: duration, average demand, time of year, stability, and correlation with the reference count. The method is validated with the use of a relatively large data set of automated bicycle counts. The quality measure, with a range from 0 to 10, is negatively correlated with the absolute relative error (ARE) of the AADB estimation. Results show distinct ARE distributions for different quality measure classes. The average ARE for the lowest quality class is 13.5% compared with an average ARE of 3.0% for the highest quality class. The maximum ARE (95% confidence) is 35% for the lowest quality class compared with 7.5% for the highest quality class.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».