Estimating performance of traffic signals based on link travel times
Notice bibliographique
Résumé
Summary Recent advances in communication and computing technology have made travel time measurements more available than ever before. In urban signalized arterials, travel times are strongly influenced by traffic signals. This study presents a novel method based on well‐known principles to estimate traffic signal performance (or more precisely their major “through” movements) based on travel time measurements. The travel times were collected between signals in the field by using point‐to‐point travel time measurement technologies. Closed‐circuit television cameras and signal databases were used to collect traffic demand and signal timings, respectively. Then, the volume/capacity ratio of major downstream signal movements was computed based on demand and signal timings. This volume/capacity ratio was then correlated with travel times on the relevant intersection approach. The best volume‐delay function was found, along with many other functions, to fit the field data. This volume‐delay function was then used to estimate volume/capacity ratios and, indirectly, a few other signal performance metrics. The method, called travel time‐based signal performance measurements, was automated and displayed on a Google Map. The findings show that the proposed method is accurate and robust enough to provide necessary information about signal performance. A newly developed volume‐delay function was found to work just slightly better than the Bureau of Public Roads curve. Several issues, which may reduce the accuracy of the proposed method, are identified, and their solutions are proposed for future research. Copyright © 2016 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 ».