Fuzzy Traffic Light Control Using Cellular Automata for Urban Traffic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Vehicular travel which demands on the concurrent operations and parallel activities is increasing throughout the world, particularly in large urban areas. Most of the models introduced in the recent years are formulated using the language of cellular automata (CA). In this paper, to control urban traffic, we study the simulation and optimization of traffic light controllers in a city and present an adaptive fuzzy algorithm based on cellular automata properties. We have used CA for simulating transition function of density of vehicles. Although in the existent system environmental factors like priority of streets of intersection and width and length of streets are assumed equal and have no role in making decision for changing the status of traffic light, in real situations parameters like time during the entire day, density of the vehicles of the street, number of shopping centers, offices, malls that have plenty of clients, have determinant effects on amount of traffic of streets. To overcome these limitations we proposed a novel three leveled fuzzy system; at the first level priority of each street is computed momently based on fuzzy rules and regarding to environmental factors. At the second level real velocity of vehicles of every street is calculated at specific moment and at the third level by taking into account two parameters, priority of the street and amount of density behind the traffic light, decision for changing status of traffic light is done. Simulation results of our method underline efficiency and robustness of our approach in comparisons with best available global and adaptive strategies of traffic light control.
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.
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 | 0,000 |
| 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 découle