Expanding Short-Term Pedestrian Volume Counts to Average Annual Daily Counts at Intersections: Temporal Pattern Indices and a Comparison of Statistical Land Use and Simple Threshold Methods
Notice bibliographique
Résumé
Quantifying pedestrian exposure for intersections is important for developing pedestrian-centric strategies. Exposure is typically expressed as the annual-average daily pedestrian traffic (AADPT). AADPT can be directly calculated when continuous counts (CCs) are available. However, CCs are rarely available for all intersections, requiring estimation methods. This work explores the steps involved in expanding pedestrian short-term counts (STCs) to AADPT using factor groups. Day-of-week-of-month expansion factors were used to expand 8-h STCs. The first step consists of grouping sites with similar pedestrian activity patterns (factor groups). Five factor groups were identified, and three pedestrian temporal pattern indicators were proposed to characterize them. The thresholds of these indicators for grouping sites with CCs are available in this work. The second step involves the challenge of associating sites where only STCs are available (unknown traffic patterns) with a particular factor group. Multinomial logistic regression (MLR) was developed to link factor groups to land use, socioeconomic, and operational attributes. Explanatory variables that represent commercial and industrial areas and the number of schools and transit stops were found to be significant. Simpler methods were also introduced to identify factor groups strongly affected by schools. The last step assesses the expansion of STCs to AADPT using the proposed approaches. The results showed improved performance when compared with averaging expansion factors across all sites. It was also demonstrated that, in certain cases, simple approaches that rely exclusively on the identification of sites that are highly affected by schools present similar performance to more complex approaches, such as MLR.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».