Global Positioning System (GPS)/Automatic Vehicle Location (AVL) Use, Challenges, and Cost-Benefit in Operations
Notice bibliographique
Résumé
Automatic Vehicle Location (AVL) systems are helping Departments of Transportation (DOTs) achieve a variety of new efficiencies while improving or maintaining level of service (LOS) through periods of state budget shortfalls. The trucking, emergency response, and transit communities have used GPS/AVL for years. Now DOTs are realizing new efficiencies with this technology as well. Recent findings on the challenges and cost-benefit advantages DOTs are finding with these technologies are discussed in this paper, summarizing the author’s 2011 and 2012 surveys of DOTs on this topic. For example, in addition to the 10% materials savings that DOTs in the US and Canada have reported, automated data collection associated with GPS/AVL is saving DOT maintenance forces thousands of hours filling out paperwork, boosting morale as well as effectiveness. Washington State (WS) DOT estimated the agency and the public benefit from an additional 10,000 hours per year that maintenance employees are out plowing instead of filling out paperwork, equating to a biennial savings of $700,000 in labor costs. The savings they found were such that WSDOT now aims to have all winter material application records, and material inventory issues recorded automatically, and the agency will begin to use their GPS/AVL equipment to help automate documentation of the maintenance staff performs on the state’s permanent stormwater control structures in the right-of-way, associating hours worked with GPS located stormwater facilities, to better understand life cycle costs, maintenance requirements, and document and communicate maintenance needs to the state legislature, for better funding.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».