Comparative analysis of probe‐based ramp metering with detector‐based and pretimed ramp metering
Notice bibliographique
Résumé
SUMMARY In this paper, a probe‐based adaptive ramp metering approach has been developed and compared with a detector‐based and pretimed ramp metering approaches using PARAMICS microsimulation model made by Quadstone Limited. Both examined probe‐based and detector‐based ramp metering approaches adopt the same problem formulation; however, they differ by the data source that provides estimates of their input parameters. The probe‐based approach takes as main input space mean speed extracted from vehicle probes moving constantly on the entire freeway. The detector‐based approach takes the density readings directly from point detectors placed upstream and downstream of each on‐ramp. The developed approach formulates the ramp metering rates to simultaneously reduce freeway travel time and decrease delays on ramps. A dynamic weighting scheme is adopted in this formulation to give different weighting schemes to the various freeway sections and the on‐ramps. These weights are able to adjust dynamically based on prevailing and forecasted traffic conditions to give priority in each step to the sections of the freeways or/and on‐ramps experiencing critical traffic conditions. The comparative analysis of the three ramp metering approaches was conducted on an 8‐km freeway section on Highway 2 in Calgary, Alberta, Canada. The results of the analysis indicate that the probe‐based algorithm consistently outperformed the two other approaches in terms of all performance measures. The probe‐based approach is shown to exceed the performance of the detector‐based approach with a market share of vehicle probes as low as 3%. The results of the analysis are promising and show the effectiveness of developing ramp metering control algorithms taking the main input parameters from vehicle probes on the freeway. Copyright © 2012 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 | 0,000 |
| 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 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 ».