Solving the stochastic multi‐class traffic assignment problem with asymmetric interactions, route overlapping, and vehicle restrictions
Notice bibliographique
Résumé
Summary In this paper, we develop a customized path‐based algorithm for solving the stochastic multi‐class traffic assignment problem with asymmetric interactions, route overlapping, and vehicle restrictions. The algorithm consists of an iterative balancing scheme to find the search direction, a self‐regulated averaging line search scheme to determine a suitable stepsize, and a column generation scheme to generate a universal path set for multiple vehicle classes. These three schemes work together in the customized path‐based algorithm to solve the stochastic multi‐class traffic assignment problem. The solution algorithm simultaneously considers the asymmetric interactions among different vehicle types through the link travel time functions, various vehicle restrictions in a transportation network, and route overlapping using the path‐size logit model for accounting random perceptions of network conditions in a stochastic user equilibrium framework. A real network in the city of Winnipeg, Canada, is used to examine the computational performance of the customized path‐based algorithm. In addition, sensitivity analyses are conducted to test the algorithmic effectiveness with respect to several model parameters and percentages of trucks in the transportation network. Numerical results reveal that the path‐based algorithm with the self‐regulated averaging line search scheme is computationally effective in solving the stochastic multi‐class traffic assignment problem with different modeling considerations. The algorithm is also computationally robust against various model parameters in the sensitivity analyses. Copyright © 2015 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 | 0,001 |
| 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 ».