A spatial queuing approach to optimize coordinated signal settings to obviate gridlock in adjacent work zones
Notice bibliographique
Résumé
Abstract Gridlock is defined when traffic comes to a complete halt inducing huge delays. If a work zone on a two‐lane two‐way highway is set up, in which one of the traffic lanes is closed for maintenance road works, the remaining lane has to be controlled to serve the two‐way traffic alternatively. The study objective is to optimize the traffic signal controls across two closely spaced work zones to prevent a gridlock, which can occur easily if upstream and downstream signals are not well coordinated. When vehicle queues build up in the middle sections between two work zones and further expand to occupy the single available lanes in both directions, the two‐way traffic is then blocked and no vehicle can leave from the queues generating a gridlock. To address this problem, spatial queues are important parameters that must be explicitly analyzed. The cell transmission model, which is known to be a robust mathematical tool for the modeling of queue dynamics, is adopted in this study. A signal cell is used to represent each traffic signal control, the exit flow capacity of which is defined in accordance with the signal plan. A set of linear constraints is established to relate all of the model parameters and variables. The objective function is taken as the total number of vehicles in the critical section between the two work zones. The minimization of this objective function can effectively obviate the occurrence of a gridlock. The optimization problem is formulated as a Binary‐Mixed‐Integer‐Linear‐Program that can be solved by the standard branch‐and‐bound technique. Numerical examples are given to demonstrate the effectiveness of the proposed methodology. Copyright © 2010 John Wiley & Sons, Ltd.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».