Simultaneous Generation of Optimum Pavement Clusters and Associated Performance Models

Table 5

Coefficients obtained using the existing state-of-the-art CLR approach.

Parameters	(1,229)		(1,365)		(1,413)		(1,091)		(1,423)		(1,412)		(1,430)		(1,321)		(1,272)		(1,360)		(1,321)
	Coeff.	Std. Err.	Coeff.	Std. Err.	Coeff.	Std. Err.	Coeff.	Std. Err.	Coeff.	Std. Err.	Coeff.	Std. Err.	Coeff.	Std. Err.	Coeff.	Std. Err.	Coeff.	Std. Err.	Coeff.	Std. Err.	Coeff.	Std. Err.
intercept	3.92	0.40	4.12	0.40	4.95	0.44	14.43	0.60	7.41	0.45	3.70	0.36	4.61	0.40	3.80	0.47	7.95	0.48	6.50	0.42	7.54	0.43
age	-0.04	<0.01	-0.04	<0.01	-0.05	<0.01	-0.04	<0.01	-0.05	<0.01	-0.04	<0.01	-0.04	<0.01	-0.05	<0.01	-0.05	<0.01	-0.04	<0.01	-0.03	<0.01
adt	-0.04	<0.01	-0.02	<0.01	-0.02	<0.01	0.01	<0.01	-0.04	<0.01	0.00	<0.01	-0.01	<0.01	-0.04	<0.01	-0.01	<0.01	-0.01	<0.01	0.00	<0.01
trucks	0.11	0.02	0.03	0.02	0.04	0.02	0.13	0.02	0.05	0.02	0.01	<0.01	-0.03	<0.01	-0.01	0.02	0.05	<0.01	0.01	0.02	0.03	<0.01
elevation	-0.02	<0.01	0.18	<0.01	-0.05	<0.01	-0.05	<0.01	-0.22	<0.01	0.01	<0.01	-0.11	<0.01	-0.17	<0.01	0.18	<0.01	-0.05	<0.01	0.01	<0.01
precip	-0.01	<0.01	-0.02	<0.01	-0.01	<0.01	-0.13	<0.01	-0.01	<0.01	-0.01	<0.01	0.02	<0.01	0.04	<0.01	-0.05	<0.01	-0.03	<0.01	-0.05	<0.01
min_temp	0.01	<0.01	-0.02	<0.01	0.09	<0.01	-0.09	0.02	0.01	<0.01	-0.02	<0.01	-0.03	<0.01	-0.02	<0.01	0.12	<0.01	-0.01	<0.01	0.05	<0.01
max_temp	-0.01	<0.01	0.01	<0.01	-0.06	<0.01	-0.05	<0.01	-0.03	<0.01	0.02	<0.01	0.02	<0.01	0.03	<0.01	-0.12	<0.01	-0.01	<0.01	-0.06	<0.01
wet_days	0.01	<0.01	-0.01	<0.01	-0.01	<0.01	0.02	<0.01	0.01	<0.01	0.01	<0.01	-0.01	<0.01	0.01	<0.01	-0.02	<0.01	0.01	<0.01	0.01	<0.01
freeze_thaw	1.00	0.56	-0.86	0.50	6.59	0.55	-20.89	0.85	0.24	0.59	-1.38	0.44	0.78	0.52	1.45	0.59	5.22	0.71	-2.19	0.59	-1.93	0.59
rut_depth	-0.64	0.15	-1.00	0.14	-1.22	0.13	-1.03	0.17	-0.27	0.13	-0.46	0.13	-0.76	0.13	-1.02	0.13	-1.80	0.15	-0.88	0.14	-1.20	0.15
lane=2	0.02	0.04	-0.16	0.03	-0.35	0.04	-0.10	0.04	0.03	0.04	-0.06	0.03	-0.26	0.03	-0.22	0.03	-0.53	0.04	-0.28	0.04	-0.26	0.04
lane≥3	0.22	0.06	-0.03	0.06	-0.43	0.06	-0.31	0.06	0.31	0.08	-0.43	0.06	-0.48	0.05	0.01	0.07	-0.33	0.06	-0.27	0.06	-0.39	0.06
nhs	1.39	0.15	0.28	0.17	0.51	0.16	-0.12	0.16	1.20	0.14	-0.25	0.08	-0.41	0.08	0.80	0.18	-0.70	0.15	-0.50	0.17	0.44	0.15
stp	1.33	0.17	0.18	0.19	0.42	0.17	-0.27	0.18	0.67	0.17	-0.38	0.11	-0.50	0.10	0.82	0.19	-0.64	0.15	-0.65	0.19	0.65	0.14
f_class=2	-1.42	0.23	-0.39	0.25	-0.24	0.17	0.44	0.18	-0.83	0.24	0.32	0.09	0.52	0.10	-0.93	0.17	1.43	0.20	-0.25	0.17	-0.71	0.17
f_class=3	-1.36	0.18	-0.55	0.18	-0.38	0.15	0.12	0.18	-0.88	0.15	0.15	0.09	0.33	0.12	-0.99	0.17	0.93	0.14	0.43	0.16	-0.55	0.13
f_class=4	-1.25	0.18	-0.49	0.20	-0.39	0.16	0.22	0.20	-0.56	0.18	0.27	0.11	0.41	0.13	-1.12	0.18	0.89	0.14	0.69	0.18	-0.59	0.12
f_class=5	-1.85	0.19	-0.51	0.20	-0.91	0.16	0.03	0.20	-1.43	0.18	0.21	0.11	0.18	0.13	-2.18	0.18	0.60	0.14	0.43	0.18	-0.47	0.12
f_class=6	-2.07	0.20	-0.71	0.20	-0.77	0.17	-0.72	0.21	-1.71	0.19	0.14	0.12	-0.66	0.14	-2.24	0.19	0.24	0.15	0.56	0.19	-0.71	0.13
f_class=7	NA		-0.63	0.22	-1.53	0.25	0.42	0.29	-0.68	0.19	0.09	0.16	0.18	0.16	-2.28	0.25	NA		0.72	0.25	NA
category=2	0.02	0.09	0.07	0.06	-0.36	0.05	0.22	0.10	-0.27	0.07	0.06	0.05	-0.20	0.09	-0.07	0.06	-0.66	0.06	-0.13	0.05	-0.14	0.07
category=3	0.02	0.10	0.01	0.07	-0.43	0.06	0.14	0.11	-0.17	0.08	-0.05	0.06	-0.29	0.10	-0.08	0.06	-0.76	0.07	-0.20	0.06	-0.46	0.08
category=4	-0.24	0.11	-0.41	0.08	-0.69	0.07	0.02	0.12	-0.22	0.09	-0.13	0.06	-0.42	0.10	-0.15	0.07	-1.01	0.08	-0.74	0.07	-0.68	0.09
category=5	-0.38	0.11	-0.33	0.07	-0.80	0.07	-0.07	0.12	-0.18	0.09	-0.08	0.06	-0.38	0.10	-0.18	0.07	-1.15	0.08	-1.29	0.07	-1.14	0.09
BIC	125		97		420		553		314		226		88		103		337		233		276

Note: the quantity included in the parenthesis represents the total number of observations in a cluster.
variable value in thousands.
coefficient with p value > 0.05.
NA = not applicable.