Challenges and Opportunities in Applying High-Fidelity Travel Demand Model for Improved Network-Wide Traffic Estimation: A Review and Discussion
Notice bibliographique
Résumé
Abstract: Estimating traffic volume at a link level is important to transportation planners, traffic engineers, and policy makers. More specifically, this vital parameter has been used in transportation planning, traffic operations, highway geometric design, pavement design, and resource allocation. However, traditional factor approach, regression-‐based models, and artificial neural network models failed to present network-‐wide traffic volume estimates because they rely on traffic counts for model development, and they all have inherent weaknesses. A review to previous research work and the state-‐of-‐practice clearly indicates that the Traditional Four-step Travel Demand Model (TFTDM) was generally based on large traffic analysis zones (TAZs) and networks consisting of high functional-class roads only. Consequently, this conventional modeling framework yielded a limited number of link traffic assignments with fairly high estimation errors. In the light of these facts and the obvious need of accurate network-wide traffic estimates, this review is conducted. In particular, this paper provides an extensive review of using traditional travel demand models for improved network-‐wide traffic volume estimation. The paper then focuses on the challenges and opportunities in achieving high-fidelity travel demand model (HFTDM). This review has revealed that, opportunities in relation to both technological advances and intelligent data present a substantial potential in developing the proposed HFTDM for a much more accurate traffic estimation at a network-‐wide level. Finally, the paper concludes with key findings from the review and provides a few recommendations for future research related to the topic.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».