Development and Evaluation of Adaptive Transit Signal Priority Control with Updated Transit Delay Model
Notice bibliographique
Résumé
Transit signal priority (TSP) strategies are widely used to reduce bus travel delay and to increase bus service reliability. State-of-the-art strategies enable dynamic (and optimal), rather than predetermined, TSP plans to reflect real-time traffic conditions. These dynamic plans are called adaptive TSP. Existing adaptive TSP strategies normally use a performance index (PI), which is a weighted summation of all types of delays, to evaluate each candidate TSP plan and the weights to reflect the corresponding priority. The performance of an adaptive TSP depends on three factors: delay estimation, weights determination, and optimization formulation. In this context, there are three key academic contributions: (a) an enhanced bus delay estimation model based on advance detection, (b) a mechanism to adjust the PI weights dynamically to reflect the changing necessity of TSP under different conditions, and (c) TSP optimization formulated into a quadratic programming problem with an enhanced delay-based PI to obtain global optimization with the use of MATLAB solvers. In addition, an adaptive TSP simulation platform using a full-scale signal simulator, ASC/3, in VISSIM was developed. The optimal TSP plans were granted or were rejected on the basis of TSP events, such as check-in, check-out, and multiple TSP requests. Through a case study in VISSIM, this research found that, compared with conventional active TSP strategies, the new adaptive TSP strategy could further reduce bus travel time while maintaining a better balance of service on non-TSP approaches along a 7.4-km bus corridor in Edmonton, Alberta, Canada.
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 | 0,015 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».