Evaluating Automated Anti-Icing Technology to Reduce Traffic Collisions
Notice bibliographique
Résumé
Reducing fatalities, injuries, and property damage related to traffic collisions is a priority for road safety agencies. Traffic collisions result in more than 2,200 fatalities and 173,000 injuries each year on Canadian roads. Inclement weather is a contributing factor in traffic crashes for approximately 21 percent of the injuries and 25 percent of property damage [1]. Costs related to traffic collision damage are relatively high especially if fatalities occur, and the closure of lanes and the resultant traffic delays substantially add to these costs. Efficient tools are available to road agencies to reduce traffic collisions related to inclement weather. This paper explores the relationship between road collisions and surface conditions and illustrates the successful implementation of automated anti-icing technology to reduce vehicle collisions due to weather and surface factors. Fixed Automated Spray Technology (FAST) deployments in Ontario, Utah, and Pennsylvania are specifically examined in this paper. Road surface condition sensors, automatic notification alerts, and automated anti-icing spray systems are also examined in this paper. Automated anti-icing systems minimize the amount of chemical needed for de-icing by spraying the road in advance of icing and only when required. These technologies help maintenance managers to reduce traffic collisions and fatalities and make more timely and efficient decisions. (A) For the covering abstract of this conference see ITRD record number 201310RT334E.
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) | 0,001 | 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 ».