Enhancing Road Asset Management with CityGML Enriched by Public Inputs: A Comprehensive Approach to Pothole Repair Prioritization
Notice bibliographique
Résumé
Infrastructure asset management involves navigating complex sociotechnical challenges, requiring not only the technical assessment of physical assets but also the timely consideration of end-user satisfaction. This paper presents a novel approach to extracting and documenting asset repair prioritization decisions, emphasizing socioeconomic and demographic factors influencing those decisions. Pothole repair in the Toronto road network is used as a case example with a specific focus on pothole repair prioritization. Traditionally, pothole repairs have been prioritized primarily based on physical factors such as their size and location, and social considerations have been addressed in an unofficial/ad hoc manner, relying on the subjective judgment of decision makers rather than being systematically integrated into the decision-making process. This study proposes a systematic approach utilizing open GIS, specifically integrating technical and social aspects within the road network to uncover hidden patterns in past decisions, which can be applied to future scenarios. This approach is applied in the case study to distill collective knowledge and make informed decisions for prioritizing the potholes to be repaired. In the case study, an extended Geography Markup Language (CityGML) data model was used to link demographic attributes with potholes’ physical and functional characteristics. Statistical machine learning approaches were then applied to correlate such attributes with the priority of pothole repairs in the city of Toronto. To this end, pothole repair data in Toronto between the years 2017 and 2021 were used to train artificial neural networks, support vector machines, and random forest models. By incorporating demographic features, these machine learning models could estimate the urgency of repairing potholes with an accuracy of 74%. Therefore, by fusing physical and functional data with demographic information, the proposed method represents a significant step toward automating the decision process to systematically incorporate both subjective and objective aspects of decisions into a repair prioritization knowledge inference system.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».