Development and Application of a Winter Weather Traffic Imputation Model: A Comparative Study Against Machine Learning Techniques During the Winter Season
Notice bibliographique
Résumé
This study examines how winter weather conditions influence traffic patterns for both passenger vehicles and trucks, using data collected from weigh-in-motion (WIM) stations and nearby weather monitoring sites along Alberta’s Highways 2 and 2A. To explore how snowfall and temperature affect traffic volumes, we developed Ordinary Least Squares Regression (OLSR) models. The findings indicate that passenger car volumes drop more sharply than truck volumes under increased snowfall, with the decline being particularly notable on Highway 2, a rural stretch. In contrast, Highway 2A showed an uptick in truck traffic, likely due to detours from adjacent routes with less winter maintenance. For estimating missing traffic data during severe weather, we employed both OLSR and a machine learning technique, k-Nearest Neighbor (k-NN). In comparing the two approaches, OLSR demonstrated superior accuracy and consistency, making it more effective for filling in missing traffic data throughout the winter season. The performance of the OLSR model underscores its reliability in addressing data gaps during adverse winter conditions. Additionally, this study contributes to sustainable transportation by improving data accuracy, which aids in better resource allocation and enhances road safety during adverse weather. The findings support more efficient traffic management and maintenance strategies, including optimizing winter road maintenance and improving sustainable infrastructure planning, thereby aligning with the goals of sustainable infrastructure development.
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 | 0,001 | 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 ».