Enhanced Prediction and Uncertainty Modeling of Pavement Roughness Using Machine Learning and Conformal Prediction
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
Pavement performance models are considered a key element in pavement management systems since they can predict the future condition of pavements using historical data. Several indicators are used to evaluate the condition of pavements (such as the pavement condition index, rutting depth, and cracking severity), and the international roughness index (IRI), which is the most widely employed worldwide. This study aimed to develop an accurate IRI prediction model. Ten prediction methods were trained on a dataset of 35 independent variables. The performance of the methods was compared, and the light gradient boosting machine was identified as the best-performing method for IRI prediction. Then, the SHAP was synchronized with the best-performing method to prioritize variables based on their relative influence on IRI. The results suggested that initial IRI, mean annual temperature, and the duration between data collections had the strongest relative influence on IRI prediction. Another objective of this study was to determine the optimal uncertainty model for IRI prediction. In this regard, 12 uncertainty models were developed based on different conformal prediction methods. Gray relational analysis was performed to identify the optimal uncertainty model. The results showed that Minmax/80 was the optimal uncertainty model for IRI prediction, with an effective coverage of 93.4% and an average interval width of 0.256 m/km. Finally, a further analysis was performed on the outcomes of the optimal uncertainty model, and initial IRI, duration, annual precipitation, and a few distress parameters were identified as uncertain. The results of the framework indicate in which situations the predicted IRI may be unreliable.
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