Data-Driven Approach to Quantify and Reduce Error Associated with Assigning Short Duration Counts to Traffic Pattern Groups
Notice bibliographique
Résumé
Traffic monitoring agencies collect traffic data samples to estimate annual average daily traffic (AADT) at short duration count sites. The steps to estimate AADT from sample data introduce error that manifests as uncertainty in the AADT statistic and its applications. Past research suggests that the assignment of a short duration count site to a traffic pattern group (TPG), characterized by known traffic periodicities, represents a significant but poorly quantified source of error. This paper presents an approach to quantify the range of errors arising from such assignments and to mitigate these errors using a novel data-driven assignment method. The approach uses simulated 48-hour short duration counts sampled from continuous count sites with known AADT to develop a benchmark of the total error expected when AADT is estimated from such samples. Likewise, the analysis produces a set of AADT estimates using temporal factors from pre-defined TPGs to quantify the range of assignment errors. The data-driven assignment method aims to mitigate these errors by minimizing the absolute mean deviation in AADT estimates produced from multiple short duration counts in a single year. The approach is applied to traffic data collected in Manitoba, Canada, as a case study. The results indicate that the mean absolute error from 48-hour short duration counts is 6.40% of the true AADT and that improper assignment can lead to a range in mean absolute errors of 9%. When applied to previously unassigned sites, the data-driven assignment method reduced mean absolute errors from 10.32%, using a conventional assignment method, to 7.86%.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».