Anticipatory Dynamic Traffic Sensor Location Problems with Connected Vehicle Technologies
Notice bibliographique
Résumé
Technological advancements in wireless systems enable the advancement of traffic operations. When onboard equipment in connected vehicles transmits data to roadside sensors integrated with a traffic signal controller, green phases are redistributed to directly and indirectly reduce network delays. Despite the potential benefits of sensor technologies, the challenges associated with identifying optimal sensor locations for multiple time stages throughout a day with uncertain demand patterns has received little attention. In this paper, we focus on proactively reducing the network delay by controlling traffic signals through an optimized sensor deployment. The framework is based on portable sensors that may be repositioned within day and day to day to new locations such that delay savings over multiple time stages will be maximized. To tackle this multiperiod stochastic problem, dynamic models are proposed, considering the future sensor locations given budget constraints on the sensor costs and relocation costs, and the effect of control is tested on various demand profiles and penetration rates of an urban transportation network. A subproblem decomposed by Lagrangian relaxation enhanced with valid cuts has a better bound, and a variable neighborhood search algorithm quickly finds solutions. Two dynamic models that constrain flexible and restricted relocation, respectively, present higher savings compared to the stationary model without sensor relocation. The flexible relocation model guarantees higher savings than the restricted model by achieving the same maximum savings with fewer sensors. The gap between two dynamic models decreases when more sensors are available.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».