Modeling Travel Time Reliability of Road Network Considering Connected Vehicle Guidance Characteristics Indexes
Notice bibliographique
Résumé
Travel time reliability (TTR) is one of the important indexes for effectively evaluating the performance of road network, and TTR can effectively be improved using the real-time traffic guidance information. Compared with traditional traffic guidance, connected vehicle (CV) guidance can provide travelers with more timely and accurate travel information, which can further improve the travel efficiency of road network. Five CV characteristics indexes are selected as explanatory variables including the Congestion Level (CL), Penetration Rate (PR), Compliance Rate (CR), release Delay Time (DT), and Following Rate (FR). Based on the five explanatory variables, a TTR model is proposed using the multilogistic regression method, and the prediction accuracy and the impact of characteristics indexes on TTR are analyzed using a CV guidance scenario. The simulation results indicate that 80% of the RMSE is concentrated within the interval of 0 to 0.0412. The correlation analysis of characteristics indexes shows that the influence of CL, PR, CR, and DT on the TTR is significant. PR and CR have a positive effect on TTR, and the average improvement rate is about 77.03% and 73.20% with the increase of PR and CR, respectively, while CL and DT have a negative effect on TTR, and TTR decreases by 31.21% with the increase of DT from 0 to 180 s.
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 | 0,001 |
| 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 ».