Field implementation feasibility study of cumulative travel‐time responsive (CTR) traffic signal control algorithm
Notice bibliographique
Résumé
Summary The cumulative travel‐time responsive (CTR) algorithm determines optimal green split for the next time interval by identifying the maximum cumulative travel time (CTT) estimated under the connected vehicle environment. This paper enhanced the CTR algorithm and evaluated its performance to verify a feasibility of field implementation in a near future. Standard Kalman filter (SKF) and adaptive Kalman filter (AKF) were applied to estimate CTT for each phase in the CTR algorithm. In addition, traffic demand, market penetration rate (MPR), and data availability were considered to evaluate the CTR algorithm's performance. An intersection in the Northern Virginia connected vehicle test bed is selected for a case study and evaluated within vissim and hardware in the loop simulations. As expected, the CTR algorithm's performance depends on MPR because the information collected from connected vehicle is a key enabling factor of the CTR algorithm. However, this paper found that the MPR requirement of the CTR algorithm could be addressed (i) when the data are collected from both connected vehicle and the infrastructure sensors and (ii) when the AKF is adopted. The minimum required MPRs to outperform the actuated traffic signal control were empirically found for each prediction technique (i.e., 30% for the SKF and 20% for the AKF) and data availability. Even without the infrastructure sensors, the CTR algorithm could be implemented at an intersection with high traffic demand and 50–60% MPR. The findings of this study are expected to contribute to the field implementation of the CTR algorithm to improve the traffic network performance. Copyright © 2017 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 ».