Developing Statewide Optimal RWIS Density Guidelines Using Space-Time Semivariogram Models
Notice bibliographique
Résumé
Preventing weather-related crashes is a significant part of maintaining the safety and mobility of the travelling public during winter months. To help mitigate detrimental effects of winter road conditions, transportation authorities rely on real-time and near-future road weather and surface condition information disseminated by road weather information systems (RWIS) to make more timely and accurate winter road maintenance-related decisions. However, the significant costs of these systems motivate governments to develop a framework for determining a region-specific optimal RWIS density. Building on our previous study to facilitate regional network optimization, this study is aimed at considering the nature of spatiotemporally varying RWIS measurements and integrating larger case studies comprising eight different US states. Space-time semivariogram models were developed to quantify the representativeness of RWIS measurements and examine their effects on regional topography and weather severity for improved generalization. The optimal RWIS density for different topographic and weather severity regions was then determined via one of the most successful combinatorial optimization techniques—particle swarm optimization. The findings of this study revealed a strong dependency of optimal RWIS density on varying environmental characteristics of the region under investigation. It is anticipated that the RWIS density guidelines developed in this study will provide decision makers with a tool they need to help design a long-term RWIS implementation plan.
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 | 0,001 |
| 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 ».