Efektifitas Load Balancing Dalam Mengatasi Kemacetan Lalu Lintas
Notice bibliographique
Résumé
Abstrak. Kemacetan jalan raya merupakan permasalahan umum di setiap kota yang memerlukan penanganan serius. Pemecahan permasalahan kemacetan jalan raya tidak hanya dapat diselesaikan dengan hanya meningkatkan kualitas dan kuantitas infrastruktur, namun juga manajemen lalu lintas. Pada artikel diusulkan suatu metode untuk mengurangi kemacetan lalu lintas, yaitu dengan menyeimbangkan beban ke berbagai ruas jalan yang disebut dengan load balancing. Melalui metode ini diharapkan beban lalu lintas terbagi secara merata ke berbagai jalur alternatif sedemikian sehingga antrian panjang kendaraan dapat dihindari. Evaluasi efektifitas dari metode load balancing ini dilakukan melalui simulasi dengan mengimplementasikan salah satu bidang ilmu Matematika, yaitu teori Antrian. Simulasi dibuat dengan menggunakan toolbox SimEvents yang dijalankan pada software MATLAB.Kata Kunci: load balancing, kemacetan, lalu lintas, sim-events, matlabAbstract. (the effectiveness of load balancing in reducing the road traffic congestion) Road congestion is a common problem in any city that needs serious handling. The solution of the road congestion problems can not only be solved by simply improving the quality and quantity of infrastructure, but also the traffic management. In this article, we proposed a method to reduce the traffic congestion by balancing the vehicle loads to a various road segments, called as load balancing. Through this method, it is expected that the traffic load is evenly distributed to various alternative routes, such that, long queues and traffic jam can be avoided. Evaluation of the load balancing’s effectiveness is performed through a simulation by implementing the Queueing Theory. Simulations are created using the SimEvents toolbox that runs on MATLAB software.Keywords: load balancing, road congestion, traffic, simevents, matlab.
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 | 0,002 |
| 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 | 0,000 |
| Communication savante | 0,002 | 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) | 0,029 | 0,006 |
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 ».