Spatial Transferability Testing of Dummy Variable Winter Weather Model Using Traffic Data Collected from Five Geographically Dispersed Weigh-in-Motion Sites in Alberta Highway Systems
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
It has been an engineering practice that highway agencies collect traffic data using highway traffic monitoring techniques such as permanent traffic counts (PTCs) and weigh in motion (WIM). This research used the WIM traffic data collected for 6 years from one of six WIM sites installed and operated in the Alberta provincial highway network to develop a winter weather dummy variable model. Five other sites were used for a spatial transferability test of the estimated model. Few past studies have tested empirically whether a winter weather model developed for one site can be transferred spatially to other locations. A goal of this paper is to develop a winter weather dummy variable model using winter season traffic and weather data and then test its spatial transferability by applying the model to other geographically dispersed locations. A total of 16,746,310 vehicular records collected for 6 years spanning from 2005 to 2010 at a WIM site on a commuter road near the City of Leduc, Alberta, Canada, were used to calibrate a model. Three vehicle classes such as total traffic, passenger cars, and truck traffic were classified from raw WIM data and used for model development. Using four types of model structures differentiated from the initially developed model for each vehicle class, this research performed spatial transferability. This research shows that the developed dummy variable model can be successfully spatially transferred to the other five WIM sites. More accurate traffic estimates can be made during winter seasons by using other model structures for each vehicle type.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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