Automated Validation and Interpolation of Long-Duration Bicycle Counting Data
Notice bibliographique
Résumé
Bicycle flow data is crucial for transportation agencies to evaluate and improve cycling infrastructure. Average annual daily bicyclists (AADB) is commonly used in research and practice as a metric for cycling studies such as ridership analysis, infrastructure planning, and injury risk. AADB is estimated by averaging the daily cyclist totals measured throughout the year using a long-term automated bicycle counter, or by using long-term bicycle counting data to extrapolate data from a short-term counting site. Extrapolation of a short-term bicycle counting site requires an accurate and complete set of daily factors from a group of references: long-term bicycle counters. In practice, validation of reference data is done manually, an exercise that is time-consuming but crucial as significant error can be introduced into AADB extrapolation if reference data are not validated. This paper proposes an automated method to validate long-term bicycle count data and interpolate anomalous portions of data. As part of this work, the methods are validated using a relatively large dataset of automated bicycle counts. For validation of our approach, data anomalies are created artificially in a way that removes data (first trial), or reduces counts to 25% or 40% of the measured bicycle counts (second and third trials), for 6 hours, 12 hours, and full days. Of the more than 100 generated anomalies, the validation process flagged approximately 90% in the first and second trials and 80% in the third trial. The average absolute relative error of the interpolated daily values was approximately 10% for all three trials.
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 | 0,007 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».