...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Transactions in GIS: TG >Street-segment-based salt and abrasive prediction for winter maintenance using machine learning and GIS
【24h】

Street-segment-based salt and abrasive prediction for winter maintenance using machine learning and GIS

机译：街头段的冬季维修磨料预测使用机器学习和GIS

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Salting operations are essential but expensive in northern winters. We aim to predict the quantity of salt and abrasive needed for a specific road segment for each hour. An estimate of the quantity allows managers to better manage the loads in the trucks and to propose optimal vehicle routes based on the forecast, which will allow them to optimize costs. This article uses machine-learning techniques based on truck telemetry data, weather conditions, and segment attributes. Geographic information systems (GIS) allow us to exploit the street-network characteristics, which were ignored by previous prediction models. The results show that the XGBoost method performs better than other techniques (R-2=0.83).
机译：腌制行动是北冬的必需品，但昂贵。 我们的目标是预测每小时特定道路段所需的盐和磨料的量。 数量估计允许管理人员更好地管理卡车中的负载，并根据预测提出最佳的车辆路线，这将使它们能够优化成本。 本文使用基于卡车遥测数据，天气条件和段属性的机器学习技术。 地理信息系统（GIS）允许我们利用街道网络特性，这些特性被先前预测模型忽略。 结果表明，XGBoost方法比其他技术更好（R-2 = 0.83）。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号