On the Effects of Various Measures of Performance Selections on Simulation Model Calibration Performance
Notice bibliographique
Résumé
Objective . This paper examines the effects of various measures of performance (MOP) selections on simulation model calibration performance, in terms of reflecting actual traffic conditions and vehicle interactions. Method . Two intersections in Shanghai were selected for simulation model calibration, one for testing and another for validation. Three effective MOPs were utilized, including average travel time (i.e., time passing the intersection), average queue length, and vehicle headway distribution. The counts of three types of traffic conflicts (i.e., crossing, rear-end, and lane change) were used as safety MOPs. Those MOPs, as calibration objectives, were examined and compared. Results . The results of the testing site showed that different effective MOPs had their own advantages: average travel time appeared to be the best in reflecting lane change and rear-end conflicts while headway distribution performed the best consistency between simulated and actual crossing conflicts. Compared to the safety MOPs, average travel time and headway distribution still performed better, in terms of resulting in more similar simulated conflict metrics (e.g., TTC, PET) to actual ones. A multicriteria calibration strategy based on average travel time and headway distribution generally had better performances in reflecting actual traffic conditions and vehicle interactions than using any single effective or safety MOP. Similar results were found for the validation site. Conclusion . To simulate actual traffic conditions and vehicle interactions, multiple effective MOPs could be simultaneously considered for model calibration, instead of using safety MOPs.
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 ».