Estimation of Daily Bicycle Traffic Volumes Using Spatiotemporal Relationships
Notice bibliographique
Résumé
Automatic counters (e.g., loop detectors) used for the continuous collection of cycling count data are subject to periodic malfunctions, leading to sporadic data gaps. This problem could affect the calculated values of the annual average daily bicycle (AADB) volumes and impact the estimates of the daily and monthly adjustment factors at these count stations. The impacts become more significant when the data gaps take place frequently and/or for long periods. This research addresses the problem of missing cycling traffic volumes at the count stations that experience frequent sensor malfunctions. The main hypothesis is that a strong correlation may exist among the cycling volumes of nearby facilities within a network. This correlation can be used to develop neighborhood models based on the available historical data. This study made use of a data set of more than 14,000 daily bicycle volumes from the city of Vancouver, Canada. The data were collected between 2009 and 2011 at 22 different count stations. A correlation analysis was first undertaken, and the results showed a strong correlation between the cycling volumes at most of the analyzed facilities. Furthermore, a cross-correlation analysis showed that the strongest correlation between each pair of count stations took place at a time lag of zero days (i.e., concurrent data). Accordingly, a correlation threshold was selected and used to define a set of neighbors for each cycling facility. Statistical models were developed to relate the daily cycling volumes of each pair of neighbors. The models were validated; the mean absolute percentage error (MAPE) was used as an evaluation measure. In general, the MAPE was less than 20% for most facilities when a correlation threshold of 0.6 was used to identify neighbors. However, the error dropped to approximately 15% when higher thresholds were used. The concept should prove useful in estimating the missing cycling volumes in a monitoring program or a data clearinghouse implementation.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».