The Trend Toward Use of Smaller Trucks: Modeling Historical Urban Truck Movements
Notice bibliographique
Résumé
This study investigates how truck flow characteristics have changed over time in the Region of Peel, a region just west of Toronto that is considered to be a manufacturing, warehousing and goods movement/logistics hub for the Greater Toronto Area. Various economic indicators are investigated to determine which are most closely related to truck volumes and multivariate regression models are then developed to predict heavy and medium trucks on arterial roads and freeways. These models are used to help explain some remarkable recent trends in truck movements. In addition to substantial rates of growth in non-recessionary periods from 1981 to 2004, there has been a notable shift from heavy to medium trucks in the last 5 years. This study has tested, but has found no evidence that this is due to congestion, but rather that it can be at least partially explained by the increased urbanization of the Region of Peel and increasing diesel fuel prices. A series of multivariate models have been developed for heavy and medium trucks on freeways and arterial roads. The most credible set of models tested are functions of the regional population, the unemployment rate, the value of international exports from the province of Ontario, and the real price of diesel fuel. While these models do not completely explain the dramatic shift from heavy to medium trucks in the period from 2001 to 2004, the models do predict a more gradual, sustained shift from heavy to medium trucks as the population of the region continues to grow. This analysis is considered to be a useful benchmark forecast that can be used to augment more spatially detailed modeling efforts for the Greater Toronto Area.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».