Investigation of the Influence of the Condition of Asphalt Pavement Surface on Road Safety of Rural Ontario Highways
Notice bibliographique
Résumé
Road collisions are complex events that are influenced by a combination of factors, including driver behaviour, environmental condition (e.g., icy and wet roads), road geometry, roadside elements, vehicle speed, tire deficiencies, traffic, and pavement condition.While the influence of some of these factors has been studied extensively for decades, the influence of pavement condition on road safety is relatively underresearched.This research investigated the influence of pavement surface condition on road safety by developing statistical models that correlate pavement surface condition and collisions.This research also examined the possibility to integrate skid resistance into pavement management by investigating the correlations between skid resistance, pavement distress, and operational conditions of the roads.This study was limited to rural arterial and freeways of the Ontario asphalt pavement road network.Data of pavement condition, operational condition, and collision was obtained from the Ontario Ministry of Transportation for 6879 kilometers across 37 provincial rural highways for the period of 2012 to 2014.Pavement condition data was collected at network level with an automatic road analyzer road and included information about roughness, rutting, cracking, and macrotexture.Skid resistance data was collected with a locked wheel tester.The collected data was combined into a spatial data model, also known as a vector-based geographic information system.The results of the investigation using regression analysis showed that pavement friction is affected by traffic, pavement age, and pavement distress.Skid resistance decreased with the increase of traffic and increased with the increase of pavement distress.Macrotexture increased with the increase of traffic and pavement distress.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».