A Kalman filter approach to dynamic OD flow estimation for urban road networks using multi‐sensor data
Notice bibliographique
Résumé
Summary Considerable efforts have been devoted to the development of dynamic origin‐destination (OD) estimation models, which are a key step to realizing self‐adaptive traffic control systems for urban traffic management. However, most of the models proposed to date estimate OD flows based on a single traffic data source, and their performance is limited by the coverage and accuracy of traffic sensors. The inherent difficulty in estimating the dynamic traffic assignment matrix means that dynamic OD estimation remains a challenge for real‐life applications. This paper proposes the use of a Kalman filter for dynamic OD estimation using multi‐source sensor data. The dynamic characteristic of changing OD flow over time is analyzed, and the problem of dynamic OD estimation is converted to a problem of estimating OD structural deviation. The resulting dynamic relationship between traffic volume and OD structural deviation is then used to establish the Kalman filter model. An improved traffic assignment approach is developed and embedded into the measurement equation of the Kalman filter model to enable dynamic updating of the traffic assignment matrix. A dual self‐adaptive mechanism based on the Kalman filter is used to calibrate the model. The proposed method was implemented on a real‐life traffic network in the downtown area of Kunshan City, China. The results show that the proposed method is more accurate than, and outperforms, the traditional link‐volume‐based and turning‐movement‐based methods. 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 | 0,000 | 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 ».