Investigating Automated Shuttle Readiness for Rural Areas: North Carolina Case Study
Notice bibliographique
Résumé
The past two decades have seen the potential of automated shuttles in addressing transportation needs for vulnerable communities; however, the readiness of rural communities for the deployment of these shuttles remains unexplored. This research evaluates the level of readiness of rural counties in North Carolina for implementing autonomous vehicle (AV) technology, focusing on physical infrastructure, digital infrastructure, and social vulnerability using a range of indicators derived from secondary data sources, including road quality, bridge conditions, broadband availability, and socioeconomic factors. The analysis reveals a diverse landscape of readiness across the counties, with variations in physical and digital infrastructure and social vulnerability indices. Despite being rural and located in coastal regions, Camden County emerged as a leading candidate for AV deployment as a result of the better availability of the internet, good road conditions, and a population in need of autonomous shuttles. This was followed by Halifax, Chatham, and Bladen counties. To further understand regional differences, we used clustering analysis to identify distinct clusters within census tracts that reflect varying readiness levels. While some clusters are well-positioned for early AV deployment, others require targeted interventions to improve infrastructure. Conversely, counties with higher social vulnerabilities indicate a potential need for autonomous shuttle interventions to enhance the livelihood of the population needing these services. The study findings emphasize the importance of a multiweighted analysis for readiness assessments that can guide investments and strategic interventions, and the potential of data-driven approaches that can be generalized to other states for determining readiness.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».