Sensitivity Analysis of an Evolutionary-Based Time-Dependent Origin/Destination Estimation Framework
Notice bibliographique
Résumé
This paper presents sensitivity analysis results for a distributed evolutionary implementation of the estimation of time-dependent origin-destination (TDOD) matrices. The system uses a noniterative origin-destination (OD) estimation process, which attempts to minimize the discrepancy between observed link flow counts and assigned counts. At the same time, the system anchors the search process to the vicinity of an a priori OD matrix to maintain travel patterns and OD structure. The sensitivity analysis examines various factors that are expected to affect the performance of the evolutionary-based TDOD estimation method. The factors examined are congestion levels, network size, size of the search space, and degree of precision of the a priori matrix. Simulation results for the waterfront network in Toronto, ON, Canada, show that the algorithm is robust in terms of replicating observed vehicle counts and the closeness to the real demand. The use of distributed evolutionary algorithm is also shown to provide good results for a large network and within fast computing speeds. However, the quality of the estimated OD relative to the true OD is shown to deteriorate if a totally random a priori matrix is used as a starting point, which has no structural resemblance to the prevailing OD patterns in the network. In addition, the quality of the estimated OD matrix was found to deteriorate as congestion levels and the network size increased. It is notable that, in all cases, the estimated OD matrix resulted in better matching flows.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».