Options for enhancing network-wide annual average daily truck volume estimates
Notice bibliographique
Résumé
This research presents two projects that investigate options for enhancing network-wide annual average daily truck traffic volume estimates. Annual average daily traffic (AADT) and annual average daily truck traffic (AADTT) are valuable traffic statistics that are required for safety, planning, operation, design, and environmental applications. However, it is challenging to obtain estimates of AADT and AADTT across Canada’s vast highway network due to resource limitations. It is even more difficult to obtain annual average estimates of traffic volumes by specific classes of trucks, which are used for applications such as mechanistic-empirical pavement design, bridge evaluation, and asset management. The first research project investigates how annual average daily truck volumes can be enhanced by improving traffic count sampling strategies and technologies. To help determine the count duration needed to obtain a sufficient sample of vehicle volumes by class, the study uses continuous classification count data to simulate short-duration counts of 1 to 8 days. The change in the variability of the simulated count volumes with duration was used as an indicator of the accuracy of the AADTT estimates they would produce. The results showed that at most sites, a 7-day count of trucks could reach the same level of variability as a 1-day count of total traffic. In terms of reductions in count variability, there tended to be diminishing returns beyond a 2-day or 3-day count of total traffic and beyond a 6-day count of truck traffic. The second research project assesses the use of commercially available probe-based data products for truck volume estimation. The study evaluates the accuracy of total traffic and truck traffic estimates obtained from the third-party data provider StreetLight Data by comparing them to volume estimates from conventional traffic counts. This work contributes new knowledge by being the first evaluation of StreetLight Data’s medium-duty and heavy-duty truck indices in North America. The findings indicated that the probe-based AADT and heavy-duty AADTT estimates had the highest and lowest accuracy, respectively. Further, it was found that probe-based AADT and AADTT estimates were reasonably similar to the estimates obtained from short-duration counts with mean absolute percent differences of approximately 25%.
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 | 0,008 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».