Real-Time Estimation of Saturation flow Rates for Dynamic Traffic Signal Control using Connected-Vehicle Data
Notice bibliographique
Résumé
Existing adaptive traffic signal control (ATSC) systems rely on dedicated fixed-point sensors, such as inductive loop detectors or video cameras, for measuring traffic demands and discharge saturation flow rates. The cost associated with installation, operation, and maintenance of these sensors is one of the factors that limit the deployment of ATSCs. The emergence of connected vehicles (CVs), which continuously broadcast their speed, position, heading, and other information to other vehicles and to roadside infrastructure, provides an opportunity to reduce the reliance of ATSC on data from fixed sensors and potentially to reduce ATSC deployment costs. However, so that existing ATSC systems can operate by using CV data, a methodology is needed for estimating demands and saturation flow rate based on CV data instead of fixed sensor data. This paper focuses on estimating the time-varying saturation flow rate for individual lane groups at signalized intersections solely on the basis of CV data. The accuracy of a proposed methodology is quantified through microsimulation for a range of traffic conditions, lane group configurations, and levels of market penetration (LMP) of CVs. The analysis shows that the proposed methodology can capture temporal variations in the saturation flow rate caused by road incidents, queues spilling back from downstream bottlenecks, and lane closures. The evaluation results show that the mean absolute relative error of the lane group saturation flow rate ranged from approximately 2% to 9% when LMP = 20% and only 1% to 2% when LMP = 100%.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».