Traffic Data Fusion Using SCAAT Kalman Filters
Notice bibliographique
Résumé
For a particular section of a road network, at any point in time, there could be multiple sources of quantitative and qualitative traffic information available. Quantitative sensors are usually hardware-based and include loop detectors and GPS devices that produce numerical data. Qualitative sensors are usually processed data and include the traffic department's websites and radio broadcasts that produce subjective categorical data based on hidden processes. Each sensor is characterized by a specific level of error and sampling frequency. It is a challenge to combine and utilize multiple sourced data for estimating real-time traffic conditions. In the first phase of this research, by using single-constraint-at-a-time (SCAAT) Kalman filters, this paper combines multiple data sources of a section of a highway in Toronto as soon as any single sensor becomes active and estimates the current traffic conditions. However, in real-life, true traffic conditions are unknown because all sensors have associated errors with them. A micro-simulation package is used in order to have access to the true traffic conditions of a simulated environment that has been calibrated for a particular road section in Toronto. Then, the performance of the developed SCAAT filters are compared with the true traffic conditions under different sampling strategies with varying number of probes and varying sampling frequencies of sensors. The use of SCAAT filters is found to be an effective method to simultaneously fuse the data and estimate current traffic conditions.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».