Trend 1996 - 2016. Bureau of Transportation Statistics. Border Crossings: Border Crossings - Trucks | Country: USA | State: California, 1996-2016. Data-Planet™ Statistical Ready Reference by Conquest Systems, Inc. Dataset-ID: 007-003-005.
Notice bibliographique
Résumé
Bureau of Transportation Statistics (2017). Border Crossings: Border Crossings - Trucks | Country: USA | State: California, 1996-2016. Data-Planet™ Statistical Ready Reference by Conquest Systems, Inc. [Data-file]. Dataset-ID: 007-003-005. Dataset: Number of entries of trucks into the US through land ports along the US-Canadian and U.S.-Mexican border. This dataset contains data on entries into the US of vehicles, commercial containers, passengers, and pedestrians through land ports along the US-Canadian and U.S.-Mexican border. The Bureau of Transportation Statistics obtains this data on a monthly basis from U.S. Customs and Border Protection. Each border crossing is counted as a unique instance. As a result, a person or vehicle entering the US many times in one reporting period would be counted multiple times. Category: Military and Defense, Transportation and Traffic Source: Bureau of Transportation Statistics The Bureau of Transportation Statistics (BTS) was established as a statistical agency in 1992. The Intermodal Surface Transportation Efficiency Act (ISTEA) of 1991 created BTS to administer data collection, analysis, and reporting and to ensure the most cost-effective use of transportation-monitoring resources. BTS brings a greater degree of coordination, comparability, and quality standards to transportation data, and facilitates in the closing of important data gaps. http://www.bts.gov/ Subject: International Trade, Border Patrol, Containers, Truck Transportation, Imports, Container Traffic, Homeland Security, Border Crossings
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,006 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,011 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».