Freeway Sensor Spacing and Probe Vehicle Penetration
Notice bibliographique
Résumé
Accurate travel time prediction–estimation is important for advanced traveler information systems and advanced traffic management systems. Traffic managers and operators are interested in estimating optimal sensor density for new construction and retrofits. In addition, with the development of vehicle-tracking technologies, they may be interested in estimating optimal probe vehicle percentage. Unlike most studies focusing on data-driven models, this paper extends some limited previous work and describes a concept developed from first principles of traffic flow. The goal is to establish analytical relationships between travel time prediction–estimation accuracy and sensor spacing by means of two basic travel time prediction–estimation algorithms, as well as to probe vehicle penetration rate. The methods are based on computing the magnitude of under- and overprediction–estimation of total travel time (TTT) during shock passages in a time–space plane by using the midpoint method for online travel time prediction and the Coifman method for offline travel time estimation. Three shock wave configurations are assessed with each method so as to consider representative traffic dynamics situations. TTT prediction–estimation errors are calculated and expressed as a function of sensor spacing and probe vehicle percentage. Optimal sensor spacing is calculated with consideration of the tradeoff between TTT estimation error and sensor deployment cost. The results from this study can provide simple and effective support for detector placement and probe vehicle deployment, especially along a freeway corridor with existing detectors. Optimal sensor spacing results are analyzed and compared for various methods of travel time estimation during different types of shock waves.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| 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 ».