Estimating Bus Delay at Signalized Intersections from Archived AVL/APC Data
Notice bibliographique
Résumé
The travel times of public transit systems that operate on mixed use right-of-ways are often dictated by the delays experienced at signalized intersections. When these delays become large and/or highly variable, transit quality degrades and agency operating costs increase. A number of transit priority measures can be applied, including transit signal priority or queue jump lanes. However, it is necessary that a process of prioritizing intersections for priority treatment be conducted so as to ensure the greatest return on investment is achieved. \nThis thesis proposes and demonstrates a methodology to determine the distribution of stopped delays experienced by transit vehicles at signalized intersections using archived AVL (automated vehicle location) and APC (automated passenger counting) data. This methodology is calibrated and validated using queue length and bus unscheduled stopped delay data measured at a field site. Results show the proposed methodology is of sufficient accuracy to be used in practice for prioritizing signalized intersections for priority treatment. On the condition that a sample of the transit vehicle fleet is equipped with an AVL/APC system, the proposed methodology can be automatically implemented using the archived AVL/APC data and therefore avoid the need to conduct dedicated data collection surveys. \nThe proposed methodology can provide estimates of (1) the maximum extent of the queue; and (2) measures of the distribution of stopped delays experienced by transit vehicles (e.g. mean, standard deviation, 90th percentile, etc.) caused by the downstream traffic signal. These measures can be produced separately for different analysis periods (e.g. different times of the day; days of the week; and time of the year) and can be compiled separately for different transit routes. These outputs can then be used to identify and prioritize signalized intersections as candidates for transit signal priority measures. \nThe proposed method is suitable for application to most transit AVL/APC databases and is demonstrated using data from Grand River Transit, the public transit service provider in the Region of Waterloo, Ontario Canada.
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 | 0,001 | 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 ».