Decision Support in Dynamic Traffic Management
Notice bibliographique
Résumé
To support operators in Regional Traffic Management Centers in their task to efficiently and safely manage traffic flows on the motorway and urban networks, a decision support system is being developed. An essential function of this system is its ability to predict the effects of a large number of candidate control scenarios, given the recurrent and non-recurrent conditions in the network. This article proposes such a prediction system referred to as BSES (Boss Scenario Evaluation System), which can evaluate control scenarios in real time, predicting their effects in terms of various measures of effectiveness, such as total travel times, vehicle loss times, average speeds, fuel consumption, etc. The main characteristics of the system are l) that it is case- based, i.e. it uses either synthetic or real-life examples of the effect of control scenarios under different circumstances; 2) that is determines the similarity of the current situation to different examples in the case-base using fuzzy logic, and 3) that it is agent-based, meaning that it predicts the effects of the different measures for small subnetworks and combines these predictions afterwards. In the article, synthetic data is used to set-up the case base. The test results described in the article illustrate the workings of the system, and shows that the system can provide the operator with real-time predictions. Furthermore, the predictions of the system are in comparable to the predictions from the simulation model used to fill the case-base, showing that the method is applicable to generalize the - in this case synthetic - data it uses.
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 | 0,005 | 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 | 0,000 |
| 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 ».