Traffic Signal Timing Optimization by Modelling the Lost Time Effect in the Shock Wave Delay Model
Notice bibliographique
Résumé
Over the years, studies presented on shock wave model optimization have been limited to the proposal of optimization control policies using queue length constraints in oversaturated conditions, and also finding the optimum cycle time and green splits based on either a known cycle time from the field or an optimum cycle time obtained from other methods. To our best knowledge, we can say after reviewing the literature that no attempt has been made to use the shock wave model to find the optimum cycle time for a general isolated intersection, because minimizing this model generates very small values, close to zero for an optimum cycle time, which is unacceptable. In this paper, we propose an optimization model that provides the optimum cycle time and green splits when the total average delay at a general isolated signalized intersection is minimized for all vehicles present. To do so, we model the lost time effect in the shock wave delay model, which creates the most desirable optimum cycle time values. In our optimization process, the key strategy is to keep both approaches in the undersaturated condition. Therefore, our model works when the total amount of volume-to-capacity ratio of both approaches is less than 2.0; otherwise, where both approaches are oversaturated, other control policies should be considered and utilized. A comparison of the results with a widely-used formula in the literature reveals that our model is superior.
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 ».