Travel time estimation in urban areas using neighbour links data
Notice bibliographique
Résumé
Travel time is a simple and robust network performance measure that is perceived and well understood by the public and politicians. However, travel time data collection can be costly especially if the analysis area is extensive. This thesis proposes a solution to the problem of limited network sensor coverage caused by insufficient sample size of probe vehicles or inadequate numbers of fixed sensors. The approach makes use of travel time correlation between nearby (neighbour) links to estimate travel times on links with no data using neighbour links travel time data. A framework is proposed that estimates link travel times using available data from neighbouring links. The proposed framework was validated using real-life data from the City of Vancouver, British Columbia. The travel time estimation accuracy was found comparable to the existing literature. The concept of neighbour links travel time estimation was extended and applied at a corridor level. Regression and Non-Parametric (NP) models were developed to estimate travel times of one corridor using data from another corridor. To analyze the impact of the probes’ sample size on the accuracy of the proposed methodology, a case study was undertaken using a VISSIM microsimulation model of downtown Vancouver. The simulation model was calibrated and validated using field traffic volumes and travel time data. The methodology provided reasonable estimation accuracy even using small probe samples. The use of bus travel time data to estimate automobile travel times of neighbour links was explored. The results showed that bus probes data on neighbour links can be useful for estimating link travel times in the absence of vehicle probes. The fusion of vehicle and bus probes data was analyzed. Using transit data for neighbour links travel time estimation was shown to improve the accuracy of estimation at low market penetration levels of passenger probes. However, the significance of transit probe data diminishes with the increase of market penetration level of probe vehicles. Overall, the results of this thesis demonstrate the feasibility of using neighbour links data as an additional source of information that might not have been extensively explored.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».