Development of Simplified Approach for Assessing Level of Safety of Highway Network Associated with Pavement Friction
Notice bibliographique
Résumé
One of the most important indicators of level of service for a highway network is safety. Each year, thousands of motorists across North America are involved in motor vehicle collisions, which result in property damage, congestion, delays, injuries and fatalities. In Ontario, the Ministry of Transportation (MTO) is responsible for the maintenance and construction of approximately 39,000 lane-kilometers of highway. In 2004, the province estimated the value of the total highway system at $39 billion dollars. The MTO estimated that in 2002, vehicle collisions in Ontario cost the province nearly $11 billion. It also estimated that for every dollar spent on traffic management, 10 times that amount could be saved on collision-related expenditures, including health care and insurance claims. The safety of highway networks are usually assessed using various levels of service indicators such as ride quality (IRI), surface friction (SN), or number of collisions. This paper presents a simplified framework for assessing the level of safety of a highway network in terms of the risk of collision based on pavement surface friction. The developed safety framework can be used by transportation agencies (federal, state, provincial, municipal, etc.) or the private sector (consultants, contractors, concessionaires, etc.) to evaluate the safety of their highway networks and to determine the risk or probability of a collision occurring given the level of friction along the pavement section of interest.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 |
| 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 ».