Advancing winter road maintenance: An AI-driven web platform for real-time road condition monitoring and spatial analysis
Notice bibliographique
Résumé
Winter weather conditions pose significant challenges for transportation agencies, impacting road safety, traffic flow, and winter road maintenance (WRM) operations. Traditional methods for monitoring road surface conditions (RSCs) often involve time-consuming processes that require significant personnel. To address these challenges and maximize the utility of existing infrastructure, this paper presents a web-based system for real-time RSC monitoring. The system combines convolutional neural networks (CNNs) for RSC classification, a novel Nested Indicator Kriging (NIK) method for spatial interpolation, and modern web technologies to provide an intuitive interface. The system seamlessly integrates CNN models for real-time classifications using automated vehicle location (AVL) and road weather information system (RWIS) imagery. The NIK method enhances spatial coverage by classifying multiple RSC categories through two layers: the first identifies basic road conditions as bare or non-bare, while the second discriminates between more complex states, such as partially or fully snow-covered. Validated through simulations using historical data, the integrated AVL CNN model achieved a training accuracy of 99.89% and a validation accuracy of 94.62% during training, while the RWIS model reached a maximum accuracy of 98.46% and an F1 Score of 97.19%. Furthermore, the NIK method showed cross-validation accuracies averaging 73.5% for the first layer, and 86.0% for the second layer. This unified system represents an advancement in WRM decision support by automating RSC classifications and closing gaps in spatial data coverage, thus improving the efficiency and sustainability of operations and enhancing the ability of safety professionals and operators to respond to roadway hazards in real-time.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,006 |
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 ».