Crowdsensing for Road Pavement Condition Monitoring: Trends, Limitations, and Opportunities
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
RPCM forms a crucial element of preventive maintenance strategies, particularly in light of escalating vehicular pressures and the advent of extreme weather patterns. Consequently, there is a growing demand for cost-effective solutions that leverage emergent technologies such as the IoT, AI, and cloud computing. This research intends to articulate the evolutionary trajectory of road solutions while delineating the prevalent challenges and offering viable trajectories for future enhancements. To achieve this objective, a systematic literature review was executed using the Scopus and Web of Science databases, the aim of which was to discern the inherent challenges of existing solutions. Following a stringent elimination process of duplicates and irrelevant studies, a corpus of 74 research papers was assembled for review. Assessment criteria encompassed the sensing platforms and algorithms deployed, the variety of road deformities detected, and the overall accuracy of the proposed solutions. The analysis revealed a variety of methodologies applied to RPCM, each bearing distinct advantages and limitations. Notably, SP-based monitoring solutions utilizing ML techniques and improved data gathering methodologies exhibited superior outcomes relative to alternative approaches. To conclude, this research elucidates the wide-ranging methodologies in RPCM, critically examining their respective advantages and drawbacks. Among the methodologies surveyed, SP-based monitoring deploying ML techniques emerges as a compelling approach, demonstrating the potential for enhancing accuracy and data gathering techniques. These insights form a valuable foundation for the conception and development of future cost-effective and efficacious RPCM solutions.
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 | 0,000 |
| 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 découle