Investigating trade‐offs between optimal mobile photo enforcement programme plans
Notice bibliographique
Résumé
Abstract Agencies that manage mobile photo enforcement (MPE) programmes must decide where and when to send their limited resources to monitor compliance with speed limits. Usually, the goal is to select locations based on a number of concerns (i.e., high collision sites, high speed violation sites, school zones, etc.), which, in most cases, is conflicting. If certain locations are given more MPE resources, then by definition, other locations will receive less attention, and vice versa. This paper aims to provide insights about such MPE programme trade‐offs. We present a systematic procedure for interpreting the results of a multiobjective MPE resource allocation problem. The procedure consists of three steps: (a) Pareto front (PF) generation, (b) front representation, and (c) trade‐off analysis. First, in generating a PF, we sequentially apply two well‐known scalar optimization methods to obtain a comprehensive set of Pareto‐optimal solutions. Second, the K‐medoids clustering algorithm and the silhouette index are adopted to partition the generated PF into similar‐sized clusters, in order to help MPE programme agencies choose from a reduced set of solutions on the PF. Third, we use the response surface method to determine trade‐off patterns on the PF. The results of the front generation analysis showed that applying two optimization methods together resulted in a nearly complete PF with a relatively uniform and dense spread of solutions. Consequently, the identified set of solutions (i.e., 13,210 cases) was further partitioned into 12 clusters by silhouette index and K‐medoids. With the aim of reducing decision fatigue for agencies, each cluster's representative solution is considered a possible MPE resource allocation candidate. The trade‐off analysis indicated how much one must sacrifice in the other objectives in order to increase attainment of one particular objective. Finally, the trade‐off rate and elasticity were used to explore the quantitative relationship between the considered objectives.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».