Improving the Efficiency of Dynamic Traffic Assignment Through Computational Methods Based on Combinatorial Algorithm
Notice bibliographique
Résumé
A new combinatorial dynamic traffic assignment (CDTA) algorithm for multi-destination transportation networks is developed. The algorithm, stated on a discrete space-time network, uses the cell transmission model (CTM) to propagate traffic, thereby ensuring that traffic dynamics such as queue evolution, link spill-over, and shockwave propagation are adequately captured. The CDTA algorithm assigns vehicles to optimal time-dependent shortest paths in one shot by finding connectivity between origin-destination pairs in the time-expanded CTM network. The CDTA algorithm runs in polynomial time and is guaranteed to find a user optimal assignment in single-destination networks. However, vehicular trajectories could potentially violate first–in first–out (FIFO) condition in a multi–destination network (thereby yielding an optimal though infeasible solution). FIFO flows are achieved by simulating the vehicular trajectories using a simulation-based dynamic traffic assignment (DTA) model. These flows in turn serve as an initial feasible DTA solution – this method is called “warm starting” a simulation-based DTA model. The algorithm has been tested for the Anaheim and Winnipeg networks for varying demand levels. The warm started DTA models performed better than the non-warm started models in terms of equilibrium convergence metrics. In particular, for solutions involving small path sets, the DTA model warm started using the CDTA algorithm provided better solutions than the purely simulation-based model. In addition to the “warm start” approach, parallel computing was also applied to the CDTA model to gain computational efficiency. The results are encouraging, and showed improved run times using multiple processors. Larger networks are better at realizing the full benefit of high number of processors.
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 | 0,021 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».