Concurrent Estimation of Origin-Destination Flows and Calibration of Microscopic Traffic Simulation Parameters in a High-Performance Computing Cluster
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper is aimed at developing an optimization framework for the concurrent calibration of demand and supply parameters in a dynamic traffic assignment (DTA) model. The proposed approach calibrates route choice, along with drivers’ behavioral parameters, and estimates origin-destination (OD) flows in a large-scale network in a Paramics microscopic traffic simulation model. A mathematical formulation is defined to quantify the reliability of the observations. A genetic algorithm (GA) is selected as a suitable solution algorithm for the resulting nonlinear stochastic optimization problem. The application of the proposed methodology is implemented in the large-scale network in the business district core of downtown Toronto, Ontario, Canada. For this network, the emerging traffic surveillance data from in-vehicle navigation system technology provide an enriched source of disaggregated speed data. The empirical results from various experiments support the hypothesis that incorporating in-vehicle navigation system speed data can improve the calibration accuracy and minimize the reliance of the calibration process on a priori OD flows. The quality of the solution and convergence speed of a GA is further enhanced by dividing the GA population into multiple demes and running the GA on a high-performance computing cluster (HPCC) with multiple processors (i.e., parallel distributed GA, PDGA). In addition, this research takes a further step toward analyzing the temporal variations of the driving behavior of travelers. The case study establishes an example for modelers and practitioners who are interested in calibrating a large-scale traffic simulation model. The developed simulation model for traffic has the potential to serve as a test bed on a HPCC for more efficient computation and integration with other optimization tools such as GAs.
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.
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 | 0,001 | 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 découle