Notice bibliographique
Résumé
This Thesis focuses on developing robust dynamic route guidance algorithms to reduce traffic congestion in roadway networks. While recurring traffic congestion is normally the focus in planning and investment decisions, almost half of traffic congestion is caused by non-recurring traffic disturbances, primarily caused by incidents, vehicle breakdowns, extreme weather events, etc. In order to reduce traffic congestion, we focus on the problem of understanding the effect of traffic disturbances and reducing their impact on roadway networks. We introduce a systematic framework for defining the context of robustness based on the severity, frequency and predictability of traffic disturbances and for developing a robust design for roadway networks based on network design goals. We also present methods to speed up traffic assignment algorithms through compiler optimizations and parallelism, to efficiently measure the effect of traffic disturbances, and enable real-time ITS applications including dynamic route guidance systems. Next, we introduce a hybrid metric for measuring robustness in a roadway network by extending the shortest-path betweenness metric from network science, and augmenting it with links weights based on dynamic traffic flow metrics. Finally, we implement a robust dynamic traffic assignment algorithm for roadway networks based on this metric and test it on a large-scale calibrated network model for the Greater Toronto Area. Performance results show that the robust traffic assignment algorithm reduces vehicle travel times compared to existing traffic assignment algorithms, with and without the presence of disturbances in the form of traffic incidents. This makes a strong case for traffic planners and operators to use robust dynamic route guidance systems within actual implementations of real-time ITS strategies to help proactively alleviate traffic congestion due to disturbances.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».