Using Machine Learning to Examine Impact of Type of Performance Indicator on Flexible Pavement Deterioration Modeling
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
Limited research has been conducted on the application of data analytics to the prediction of the Pavement Condition Index (PCI) of asphalt roads. More importantly, studies comparing the prediction results of these algorithms with other important performance indicators such as the International Roughness Index (IRI) are rare. This paper aims to train machine learning algorithms to predict the PCI and IRI of asphalt pavement using the Long-Term Pavement Performance (LTPP) database. To this end, 30,274 IRI and 3,227 PCI records were queried and prepared to train the models. The first result of using such an unprecedentedly large training set was a higher accuracy level compared to previous works. For example, the highest cross-validation accuracy for predicting the IRI and PCI numeric values (i.e., R2) was 0.95 and 0.84, respectively, which was the result of a random forest regression algorithm. Classification algorithms were used as well. The accuracy of gradient-boosted trees, for instance, reached 88% and 82%, respectively, when predicting the IRI and the PCI. Even higher accuracy levels were achieved after the data were segmented into separate climatic zones, with dry-and-no-freeze region gaining the highest accuracy. Another finding of this research was that the initial IRI has a larger role in the prediction compared to initial PCI. This observation was confirmed by multiple methods including studying the importance factors of a gradient-boosted trees algorithm and relevant correlation matrices of the attributes. Another important finding about the type of performance indicator was that simpler algorithms, such as linear regression or decision tree, can achieve higher accuracy in predicting the IRI.
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