Toward Understanding and Reducing Errors in Real-Time Estimation of Travel Times
Notice bibliographique
Résumé
In recent years, the increased deployment of the infrastructure of intelligent transportation systems has enabled the provision of real-time traveler information to the public. Many states as well as private contractors are providing real-time travel-time estimates to commuters to help improve the quality and efficiency of their trips. Accuracy of travel-time estimates is important: inaccurate estimates can be detrimental to travelers, particularly when such estimates are less accurate than a person's ability to predict traffic on the basis of experience. Improving the accuracy of real-time estimates involves identifying and understanding the sources of error. The errors found during the evaluation of real-time travel-time estimates in Portland, Oregon, were explored and solutions are provided for reducing estimation error. The midpoint algorithm used by the Oregon Department of Transportation was used to estimate travel times from speeds obtained from loop detectors. The estimates were assessed for accuracy by comparisons with ground truth probe vehicle runs. The findings from the study indicate that 85% of the travel-time runs had errors less than 20% and, further, that accuracy varied widely between segments. The evaluation of high-error runs revealed the main causes of errors as transition traffic conditions, failure of detectors, and detector spacing. Potential solutions were identified for each source of error. In addition, a method was tested for evaluating the benefits of additional detectors by simulation of virtual detectors. The results indicated that additional detection helps in reducing the mean average percentage error in most cases, but the location of detectors is critical to error reduction.
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 | 0,001 |
| 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 ».