Closed Loop Optimal Adaptive Traffic Signal and Ramp Control: A Case Study on Downtown Toronto
Notice bibliographique
Résumé
Traffic congestion can be alleviated by infrastructure expansions, however, improving the existing infrastructure using traffic control is more plausible due to the obvious constraints on financial resources and physical space. Independent applications of Adaptive Traffic Signal Control (ATSC) and Ramp Metering (RM) have shown strong potential to effectively alleviate urban traffic congestion by adjusting the signal timings in real-time in response to traffic fluctuations to achieve desirable objectives (e.g., minimize delay at intersections or minimize travel time along freeways). This paper presents the problem formulation and the framework for addressing traffic control problem using an integrated solution combining ATSC and RM. According to that problem definition, an optimal closed-loop approach for ATSC and RM can be designed using a multi-agent reinforcement learning (MARL) approach. Authors' previous studies of MARL on a large-scale simulated network of 59 intersections in the lower downtown core of the City of Toronto for the morning rush hour have shown unprecedented reduction in the average intersection delay up to 39% at the network level, and travel time savings of up 2to 26% along the busiest routes in downtown Toronto. Additionally, authors' studies of MARL applied to a calibrated microsimulation model of the Gardiner Expressway in Toronto, Canada resulted in 50% reduction in total travel time compared with the base case scenario.
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 ».