Automatic Estimation Method for Intersection Saturation Flow Rate Based on Video Detector Data
Notice bibliographique
Résumé
Saturation flow rate (SFR) is a fundamental parameter to the level of service evaluation, lane capacity calculation, and signal timing plan optimization at signalized intersections. It is affected by a variety of factors including weather conditions, lane width, and the type of the driver. How to accurately estimate the SFR remains one of the most important tasks in traffic engineering. Existing studies generally rely on the field measurement method which requires a large number of people collecting data at the intersection. As a result, the method incurs a high economic cost and cannot adapt to the dynamic change of SFR. In recent years, video detectors have been widely installed at intersections which are capable of recording the time each vehicle passes the stop line, the number plate of each vehicle, and the vehicle type. This paper therefore aims to propose an automatic estimation method for the SFR based on video detector data in order to overcome the limitation of the field measurement method. A prerequisite for estimating the SFR is to recognize the saturation headway. We consider the actual vehicle headway as time series and build an auxiliary regression equation whose parameters are estimated through the ordinary least squares method. We employ the Dickey-Fuller test to verify whether the headways in the time series are saturation headways. An iterative method using quantiles is proposed to filter out abnormal data. The SFR is finally calculated using the average value of saturation headways. To demonstrate the proposed method, we conduct a case study using data from an intersection with three entrance lanes in Qujing city, Yunnan Province, China. The overall estimation process is displayed and the impacts of quantile selection and data duration on the estimation accuracy are analyzed.
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 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».