Integration of signal timing estimation model and dynamic traffic assignment in feedback loops: system design and case study
Notice bibliographique
Résumé
Summary This paper presents an integrated framework for effective coupling of a signal timing estimation model and dynamic traffic assignment (DTA) in feedback loops. There are many challenges in effectively integrating signal timing tools with DTA software systems, such as data availability, exchange format, and system coupling. In this research, a tight coupling between a DTA model with various queue‐based simulation models and a quick estimation method Excel‐based signal control tool is achieved and tested. The presented framework design offers an automated solution for providing realistic signal timing parameters and intersection movement capacity allocation, especially for future year scenarios. The framework was used to design an open‐source data hub for multi‐resolution modeling in analysis, modeling and simulation applications, in which a typical regional planning model can be quickly converted to microscopic traffic simulation and signal optimization models. The coupling design and feedback loops are first demonstrated on a simple network, and we examine the theoretically important questions on the number of iterations required for reaching stable solutions in feedback loops. As shown in our experiment, the current coupled application becomes stable after about 30 iterations, when the capacity and signal timing parameters can quickly converge, while DTA's route switching model predominately determines and typically requires more iterations to reach a stable condition. A real‐world work zone case study illustrates how this application can be used to assess impacts of road construction or traffic incident events that disrupt normal traffic operations and cause route switching on multiple analysis levels. Copyright © 2014 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 | 0,001 | 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 ».