Data Analytics in Asset Management: Cost-Effective Prediction of the Pavement Condition Index
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Understanding the deterioration of roads is an important part of road asset management. In this study, the long-term pavement performance (LTPP) data and machine learning algorithms were used to predict the deterioration in the pavement condition index (PCI) over 2, 3, 5, and 6 years. In selecting the attributes for conducting the analysis, we targeted ones that are freely available. This approach can help smaller municipalities, which could be short on money or required expertise. For larger ones and transportation agencies, this can save the increasingly significant costs for collecting field data and any associated safety or traffic implications. In addition, we used this category of attributes to better examine the role of data analytics in asset management. Without considering a causal model, can trends in data help assess deterioration in the PCI? Several models using combinations of 15 attributes were learned and tested. The algorithms used in this study were two types of decision trees and their boosted models based on gradient boosted trees. The accuracy of the ensemble of boosted classifiers was considerably higher than their base learners, with some reaching over 80% in predicting unseen data. We also found that dividing data into different climatic zones can change the relative importance of attributes and the overall accuracy of the models. Increasing the prediction span reduces accuracy, while reducing the number of prediction classes (levels of deterioration) increases the accuracy. In addition to automating the calculation and prediction of PCI, this study presented informative or important attributes for prediction. Such analyses could help municipalities and departments of transportations with forming a more effective policy for data collection and management.
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.
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 découle