Real-Time Prediction of Arterial Roadway Travel Times Using Data Collected by Bluetooth Detectors
Notice bibliographique
Résumé
Bluetooth detectors are gaining in popularity as a cost-effective technology for acquiring travel time data. The sensors, which identify and record the unique media access control address of Bluetooth-enabled devices, can measure travel time when a device passes through the detection zone of two consecutive Bluetooth detectors. As with other automatic vehicle identification technologies (e.g., toll tags, automatic license plate recognition systems), there is a time lag because the travel time cannot be acquired until the vehicle has passed the downstream detector location. The increasing desire for accurate and timely traveler information and the desire for proactive traffic control present a need for accurate prediction of near-future travel times along roadway corridors. A significant body of literature has focused on this problem for freeways, but little effort has been directed toward signalized arterials. This paper presents a data-driven model for predicting near-future travel times on signalized arterials in real time by using data acquired from Bluetooth detectors. The model uses the k nearest neighbor pattern recognition technique to identify historical data from which an understanding of the near-future traffic patterns can be extracted. Unlike previous efforts, an objective approach was used to determine the variables to include in the k nearest neighbor feature vector and the optimal model parameters. The calibrated model was evaluated through application to a set of field data obtained from Bluetooth detectors deployed on a signalized arterial. The model provides performance improvements of approximately 20% over a benchmark model.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».