A Bayesian Regression Model for Estimating Average Daily Traffic Volumes for Low Volume Roadways
Notice bibliographique
Résumé
Common Average Daily Traffic (ADT) estimation models use Linear Regression and a collection of socio-economic and roadway variables. While linear regression is widely understood, it is not always optimal for developing prediction models as the regression techniques don’t have the ability to account for data distributions, or variability of the point estimates. To overcome this limitation, this paper presents a study that utilizes a Bayesian Regression model to develop a model to estimate ADT values for low volume roadways. The need for ADT estimates is critical as roadway traffic counts are the backbone of maintenance, safety and construction designs. While significant investment is made in collecting ADT values for higher functionally classified and high volume roadways, low volume roadways are often neglected in the traffic count program due to budget limitations and the misguided notion that there is limited return on investment in counting these facilities. This research developed a technique to estimate ADT for local roads in Alabama incorporating variables used in previous studies and a Bayesian Regression model. The final Bayesian Regression model relies on four independent variables: number of households in the area, employment in the area, population to job ratio and access to major roads. The model was used to generate ADT estimates on low-volume rural, local roads for 12 counties in Alabama. The paper concludes that the model can be used to predict the ADT for low-volumes roadways in Alabama for future applications.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».