A Two-Layer Network Dynamic Congestion Pricing Based on Macroscopic Fundamental Diagram
Notice bibliographique
Résumé
Dynamic congestion pricing has attracted increasing attentions during the recent years. Nevertheless, limited research has been conducted to address the dynamic tolling scheme at the network level, such as to cooperatively manage two alternative networks with heterogeneous properties, e.g., the two-layer network consisting of both expressway and arterial network in the urban areas. Recently, the macroscopic fundamental diagram (MFD) developed by both field experiments and simulation tests illustrates a unimodal low-scatter relationship between the mean flow and density network widely, providing the network traffic state is roughly homogeneous. It reveals traffic flow properties at an aggregated level and sheds light on dynamic traffic management of a large network. This paper proposes a bilevel programming toll model, incorporating MFD to solve the unbalanced flow distribution problem within the two-layer transportation networks. The upper level model aims at minimizing the total travel time, while the lower level focuses on the MFD-based traffic assignment, which extends the link-based traffic assignment to network wide level. Genetic algorithm (GA) and the method of successive average were adopted for solving the proposed model, on which an online experimental platform was established using VISSIM, MATLAB, and Visual Studio software packages. The results of numerical studies demonstrate that the total travel time is decreased by imposing the dynamic toll, while the total travel time savings significantly outweigh the toll paid. Consequently, the proposed dynamic toll scheme is believed to be effective from both traffic and economic points of view.
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 ».