Heuristic Approach to Capacitated Traffic Assignment Problem for Large-Scale Transport Networks
Notice bibliographique
Résumé
Although capacity constraints in traffic assignment can represent many realistic features, these constraints are largely ignored in practice because of mathematical complexities in applying the methods proposed in the literature. In this study such complexities are relaxed by the adoption of an intuitive interpretation for the Lagrange values of the capacity constraints, that is, the amount of penalty added to the travel time of the oversaturated links to discharge the excessive flow to the extent to which they become saturated. This penalty term bears some similarity to the marginal cost of the system optimal. Hence the capacitated traffic assignment problem (TAP) becomes a normal uncapacitated TAP in which the aforementioned additional penalty is updated iteratively. The proposed provision is flexible to accommodate TAP's solution algorithms such as Frank–Wolfe. The main motivation of this study is to address the needs of the industry; hence, the proposed method is coded in a leading commercial transport planning software product, and a large-scale network of Winnipeg, Manitoba, Canada, is used for numerical evaluations. Furthermore the benchmark network of Hearn is also used for comparative evaluations with respect to other methods. Results suggest that in regard to the reliability of the outcomes and computational efficacy, the proposed algorithm is as good as other methods. Unlike other methods, there is no additional parameter to be calibrated, and the convergence behavior of the algorithm is promising.
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 | 0,013 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».