Optimizing RWIS Locations with Wasserstein Distance and Geostatistics: A Case Study in South Korea
Notice bibliographique
Résumé
Road Weather Information Systems (RWISs) are essential components of modern Intelligent Transportation Systems (ITSs) deployed in cold regions to gather real-time data on winter weather and road surface conditions. Despite their benefits, the high cost associated with RWIS installations demands optimized placement strategies to maximize their utility and cost-effectiveness. Geostatistics-based RWIS location-allocation methods, particularly those involving semivariogram modeling to quantify underlying spatial characteristics, have gained international recognition. However, new locations require unique semivariogram models, a process that is time-consuming and constrained by the availability of comprehensive datasets, often rendering location analysis challenging or infeasible. Addressing these limitations, this study introduces an innovative approach using Wasserstein Distance (WD) to link semivariograms across different datasets. This method streamlines optimization by eliminating the need for repetitive semivariogram modeling in new study areas. Our findings demonstrate that WD-matched models replicate the location choices of original models with a high degree of similarity while ensuring that clean-slate locations remain proximate to those of original models, enhancing geographic equity in RWIS deployment. This validates the practicality of reusing developed semivariogram parameters for WD-matched highways, significantly reducing the need for new geostatistical analyses and enhancing the framework’s applicability and accessibility for RWIS deployment across diverse geographic regions.
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 ».