Data mining using regularized adaptive B‐splines regression with penalization for multi‐regime traffic stream models
Notice bibliographique
Résumé
SUMMARY This paper presents a new data mining method that integrates adaptive B‐spline regression and traffic flow theory to develop multi‐regime traffic stream models (TSMs). Parameter estimation is implemented adaptively and optimally through a constrained bi‐level programming method. The slave programming determines positions of knots and coefficients of the B‐spline by minimizing the error of B‐spline regression. The master programming model determines the number of knots through a regularized function, which balances model accuracy and model complexity. This bi‐level programming method produces the best fitting to speed–density observations under specific order of splines and possesses great flexibility to accommodate the exhibited nonlinearity in speed–density relationships. Jam density can be estimated naturally using spline TSM, which is sometimes hardly obtainable in many other TSM. Derivative continuity up to one order lower than the highest spline degree can be preserved, a desirable property in some application. A five‐regime B‐spline model is found to exist for generalized speed–density relationships to accommodate five traffic operating conditions: free flow, transition, synchronized flow, stop and go traffic, and jam condition. A typical two‐regime B‐spline form is also explicitly given, depending only on free‐flow speed, optimal speed, optimal density, and jam density. Copyright © 2013 John Wiley & Sons, Ltd.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».