A Methodology for Container Truck Traffic Data Collection for Inland Port Cities
Notice bibliographique
Résumé
This paper describes a container truck traffic data collection methodology for inland port cities. The data collection methodology is developed in response to a lack of data sources to estimate urban container truck traffic volumes. The methodology is sensitive to the unique characteristics of container truck traffic and is one component of on-going research to develop a container trucking model for inland port cities in the Canadian Prairie Region. This model is intended to assist transportation engineers understand the impact of container trucking in their cities and reveal issues that should be considered in defining, evaluating, and choosing among alternative options to improve container freight transportation in urban areas. This data collection methodology consists of (i) shipper and carrier characterization, (ii) database acquisition, and (iii) the design of the container truck data collection program. Existing databases are municipal truck turning movement counts, permanent traffic counts, and provincial/state level border crossing data. The data collection program performs short-term manual truck classification intersection turning movement counts which are guided by recommendations from the Federal Highway Administration’s Traffic Monitoring Guide. These counts obtain body type and axle configuration data for articulated trucks. The methodology described in this paper offers a systematic approach to acquire container truck traffic data and a process to validate the data and results of the container truck model. Container truck traffic volumes are estimated using the data from this methodology and shown on a flow map. Although traffic flow discontinuities are evident on certain links due to data gaps, the container truck traffic volumes are proven to be reasonable and support the validity of the data collection methodology. This methodology is developed for Winnipeg, Manitoba and other Canadian Prairie cities but is generally applicable to similar inland port cities in other jurisdictions.
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 | 0,007 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 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) | 0,007 | 0,004 |
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 ».