Conceptualizing How Agencies Could Leverage Weather-Related Connected Vehicle Application to Enhance Winter Road Services
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
Winter inclement weather negatively influences the safety, mobility, economy, and user experience of roadway transportation systems. Ice and snowfall conditions result in more accidents and casualties and reduce the travel speed and roadway capacity because of decreased friction and visibility. Precise and timely road weather information is necessary for road maintenance decisions and high level-of-service trips of road users. In this context, connected vehicle (CV) technologies hold great promise in addressing the various influences of winter weather on the safety and mobility of road users. This work started from a nationwide survey of US and Canadian road maintenance departments to evaluate whether and how CV technologies are perceived by the practitioners for their potential in improving winter roadway safety and mobility. All respondents to the survey thought positively of the potential of CV application in improving winter road services, even though some expressed concerns over whether the system would perform well in poor weather, how to address risks associated with vehicle and system security, and the probability of increased driver distraction. This work presents a concept of operations, including the potential application and operational scenarios of CV technologies for agencies to improve winter road services. For instance, agencies may leverage the CV/mobile collection capabilities to provide customized and route-specific (disaggregated) road weather data to support more proactive and resource-efficient maintenance strategies and tactics and provide road users with more reliable, timely, and more localized travel alerts and advisories.
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 | 0,001 |
| 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