Dynamic OD estimation using three phase traffic flow theory
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Advanced Transportation Management and Information Systems (ATMIS) can use dynamic origin–destination (OD) demand models to make short‐term predictions regarding developments in traffic states. However, existing dynamic OD prediction models do not achieve this reliably for two main reasons. First, this is a bi‐level system that consists of a traffic flow process at the lower level and a dynamic OD process at the upper level. Due to the inherent non‐convexity of bi‐level systems, it is difficult to guarantee that any calculated solution is globally optimal. In this paper, we propose a new traffic flow model that uses real‐time traffic data, such as traffic flows, speed and occupancy, collected from vehicle detectors, to address the difficulties that arise in existing bi‐level programming formulations. Second, in order to estimate a dynamic OD demand between on and off‐ramps on the freeways, a traffic flow model is needed to estimate the proportion of traffic moving between them. In this paper, we present a dynamic traffic estimation model based on Kerner's 1 three‐phase traffic theory, which represents the complexity of traffic phenomena based on phase transitions between free‐flow, synchronized flow and moving jam phases, and on their complex nonlinear spatio‐temporal features. The present model explains and estimates traffic congestion in terms of speed breakdown, phase transition and queue propagation. We show how a genetic algorithm can be used to solve this to estimate dynamic OD flows and the associated link, on and off‐ramp flows during each time interval using traffic data collected from vehicle detection systems implemented on Korean freeways. Copyright © 2010 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.
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 | 0,001 | 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 découle