Machine Learning and Reverse Methods for a Deeper Understanding of Public Roadway Improvement Action Impacts during Execution
Notice bibliographique
Résumé
The execution of public roadway maintenance, rehabilitation, and restoration activities disturb normal traffic flows, resulting in roadway capacity reduction, inducing travel time delays, and promoting traffic safety concerns. While they improve public roadway performance once complete, the impacts endured in executing these actions is significant. This work seeks a deeper understanding of the effects of improvement actions on traffic by juxtaposing their effects against those arising from traffic incidents that cause similar capacity reductions and related negative externalities. This is accomplished through direct and reverse comparisons with traffic incident impacts. A measure of unit delay that uses observations to determine event location extent, duration, and propagation direction was computed at both facility and corridor-wide levels to establish the degree to which improvement actions and traffic incidents are similar or dissimilar. Alternative hybrid machine-learning methods are proposed to identify and contrast those traffic characteristics that contribute greatest to correct detection of each type of downtime event. These techniques can detect traffic events and accurately distinguish between event types (whether a collision or improvement activity). The techniques were applied on seven months of data obtained from 2019 along three corridors from northern, southern, and western regions of the Commonwealth of Virginia. Those traffic characteristics that contribute greatest to correct event detection of each event type were identified and their similarities and differences were studied. General linear, multivariate regression equations were also developed for more general application.
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 | 0,000 | 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 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 ».