Measures of effectiveness for quality of service evaluation on two-lane rural highways in Brazil
Bibliographic record
Abstract
Para estimar o nível de serviço em rodovias de pista simples, o Highway Capacity Manual 2010 (HCM2010) adota como medidas de desempenho a Porcentagem de Tempo Viajando em Pelotões (PTSF) e a Velocidade Média de Viagem (ATS). A PTSF, no entanto, é praticamente impossível de ser obtida de observações em campo. Na literatura, algumas pesquisas propõem medidas de desempenho alternativas que podem ser coletadas diretamente da observação do tráfego. A meta deste trabalho consistiu em avaliar e propor medidas de desempenho que pudessem ser adequadas para descrever a qualidade de serviço em rodovias de pista simples no Brasil. Foi utilizado um conjunto de dados de tráfego coletados em diversas rodovias no estado de São Paulo para calibrar e validar o simulador de tráfego escolhido, o CORSIM, a partir de um Algoritmo Genético (AG). Com o simulador recalibrado, foi gerado um conjunto de dados sintéticos, para diversas condições de geometria viária e composição de tráfego. Com esses dados sintéticos, foram produzidos modelos teóricos para estimar a PTSF a partir de dados de tráfego que seriam \"observáveis em campo\": a porcentagem de veículos em pelotões (PF); o modelo porposto por Pursula (1995); o modelo de Laval (2006); o criado por Polus e Cohen (2009); e um modelo polinomial baseado na PF e outras variáveis. As estimativas obtidas com esses modelos divergiram significativamente da PTSF produzida pelo CORSIM, sugerindo a necessidade de substituir a PTSF por uma outra medida de desempenho. Assim sendo, nove medidas de desempenho alternativas foram estudadas. Usando dados de tráfego sintéticos produzidos com o CORSIM, foram desenvolvidos modelos que relacionavam medidas de desempenho alternativas com o fluxo de tráfego unidirecional. Comparações dos valores provenientes dessas relações com dados de campo indicaram que três medidas de desempenho (a velocidade média de viagem dos automóveis; a densidade para automóveis e a densidade de veículos em pelotões) poderiam ser usadas para propor critérios para estimar o nível de serviço em rodovias de pista simples no Brasil.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".