Spatial Analysis of Traffic Growth and Variations and Their Implications to the Operations of a Traffic Monitoring Program
Notice bibliographique
Résumé
Highway agencies commit significant resources to traffic monitoring programs to obtain Annual Average Daily Traffic (AADT). Although many guidelines exist at the national or the provincial levels about how to best operate a traffic monitoring program, there are still quite a few steps relying on subjective judgements, such as how to apply traffic growth rate and how to assign short-term traffic counts (STTCs) to permanent traffic counts (PTCs) or permanent traffic counter groups (PTCGs). In order to reduce risks of potentially significant AADT estimation errors, PTC data from the province of Alberta, Canada are used to examine spatial correlation in traffic seasonality as well as traffic growth rate for all the road segments covered by its PTC program. The results show that roads in a functional class group can have several seasonal traffic patterns, and there is no definitive relationship between functional class and traffic seasonality. The finding indicates that the STTCs to PTCGs assignment procedure in the Federal Highway Administration 's (FHWA) method may not be appropriate, as it is based on a road's functional class only. The results also demonstrate that traffic growth rates are highly clustered in the study area, and the correlation analysis revealed that growth rates applied to short-term counting sites should be taken from the closest PTC on a road from a similar functional class. In this regard, Geographical Information Systems (GIS) analyses provide a clear portrait of how traffic growth distributes over a jurisdiction and thus reduces the judgmental errors associated with the task. For the covering abstract of this conference see ITRD record number 201211RT334E.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».