Traffic Delay Estimation Using Artificial Neural Network (ANN) at Unsignalized Intersections
Notice bibliographique
Résumé
This study was carried out to the modeling of control delays at unsignalized intersection using Artificial Neural Network (ANN). Although, there are several methods for estimation of delay, they lead to different results. A comparative analysis for estimation of the control delay using Malaysian Highway Capacity Manual (MHCM) showed that the theoretical model was not consistent with actual delays observed from sites. Such a finding implies that MHCM's model was not directly capable to the analysis of control delay at unsignalized intersections in Malaysia. Data pertaining to the analysis of control delay was collected from three intersections of various configurations using video camera recording technique. An ANN with two hidden layers and several sizes of neurons in the hidden layers were developed. Two mathematical models for estimation of control delay from minor road with a reasonable accuracy were developed using the outputs from the ANN's model. A statistical analysis revealed that there is good agreement between formulas acquired from the ANN's model and those from the field studies. The results of this research showed that the neural network is able to predict control delay incurred on minor road vehicles at unsignalised intersection more accurately. The analysis revealed that heavy vehicles had the lowest effect on the proposed formulas, where by increasing from 10% to 50%, the values of control delay could increase from 1% to 3%, while the movement flow and conflicting flow had the highest impact, where within the same ranges; control delay could increase until 39%.
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 ».