Evaluating the Accuracy of Probe-Based Truck Volumes using Continuous and Short-Duration Traffic Counts
Notice bibliographique
Résumé
The widespread nature of cell phones and connected vehicle navigation systems has led to the development of commercially available probe-based traffic data products. This study assesses the accuracy of annual average daily total traffic, truck traffic, medium-duty truck traffic, and heavy-duty truck traffic volumes obtained using probe-based traffic activity indices from a North American company called StreetLight Data (StL). The probe-based estimates were compared with 2019, 2020, and 2021 volumes at eleven continuous count sites and 2019 volumes at twenty-nine short-duration count (SDC) sites in the Winnipeg Metropolitan Region. The results showed reasonable agreement between the ground truth and probe-based total traffic estimates with mean absolute percent errors (MAPEs) ranging from 8.8% to 22.1% across the study years. The medium-duty truck estimates had larger errors than total traffic with MAPEs of 29.9% to 37.5%. Despite having higher volumes than medium-duty trucks, heavy-duty trucks had the smallest probe data sample and largest errors with MAPEs of 56.6% to 96.4%. Benefiting from its larger sample size, the StL medium-duty truck index was found to be a better predictor of heavy-duty truck traffic than the heavy-duty truck index. Further, the total truck volumes estimated using only the medium-duty index were more accurate than those taken as the sum of the medium and heavy-duty truck volumes obtained using their respective indices. Finally, the percent differences for the 2019 annual average daily total traffic and truck traffic estimates at the SDC sites were comparable when only the medium-duty index was used for truck volume estimation.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».