Application of Different Data Analytics for Evaluation of Heavy Vehicle Vulnerability in Cold-Region Rural Highways
Notice bibliographique
Résumé
Understanding the impacts of different driving conditions on truck speed is critical to the development and maintenance of resilient highway freight transportation systems. This study attempts to evaluate the combined impact of road weather, travel lane, vehicle type, and truck payload conditions on drivers’ speed choice by modelling speed distributions as normal distributions. Two data analytics, a regression-based approach (RBA) and a central limit theorem (CLT)-based approach (CBA), are adapted to model context-specific speed distributions. The regression-based approach models population-level speed distributions by considering samples of individual speed data, whereas the CBA uses sampling distributions produced according to the CLT. A holistic approach is proposed to identify overall vehicle-specific collision risks imposed by different road-weather conditions, based on the speed distribution parameters estimated. Implications of the study results pertaining to the trucking industry are threefold. First, adapting different data analytics leads to different study results; yet, the CBA is recommended to model speed distributions. Second, truck speeds are significantly affected by the presence of adverse road-weather conditions, yet marginally varied under different loading conditions. Third, overall, tractor–trailer combinations (TTCs) entail high collision risks, particularly when transporting a freight load under adverse road-weather conditions. The study results would be useful to policymakers, particularly for effective speed management in extremely cold regions. Trucking companies may use the study results to identify the least risk-posing road-weather conditions to deploy safe freight transport operations. The resulting speed distribution models are also useful as input to calibrate traffic micro-simulation models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».