MétaCan
Menu
Retour à la cohorte
Enregistrement W2909846697 · doi:10.1155/2019/8740158

Evaluation of Ramp Metering Impacts on Travel Time Reliability and Traffic Operations through Simulation

2019· article· en· W2909846697 sur OpenAlexvenueno aff
Mohammad Khalid Shehada, Alexandra Kondyli

Notice bibliographique

RevueJournal of Advanced Transportation · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic control and management
Établissements canadiensnon disponible
Organismes subventionnairesKansas Department of TransportationU.S. Department of Transportation
Mots-clésMetering modeBottleneckReliability (semiconductor)Upstream (networking)Traffic congestionTransport engineeringQueueTravel timeMerge (version control)TruckThroughputComputer scienceEngineeringAutomotive engineeringOperations management

Résumé

récupéré en direct d'OpenAlex

Ramp metering has been found to improve traffic conditions on the freeway mainline by breaking the platoons of ramp vehicles minimizing turbulence at the merge locations. The majority of the ramp metering evaluation studies have examined traffic performance under specific demand conditions, whereas travel time reliability and variability aspects have not been adequately addressed. This paper focuses on evaluating two well-known ramp metering algorithms in terms of travel time reliability as well as other performance measures such as queue lengths, throughput, and congestion duration, looking at a wide range of traffic demands throughout a calendar year. The evaluation was done through simulating an 8-mile corridor in Kansas City, KS. The results showed localized improvements due to ramp metering at the northern section of the facility, in terms of travel time reliability, throughput, and congestion duration. It was also shown that ramp metering may cause a new (possibly “hidden”) bottleneck to occur downstream, thus diluting its overall benefits when looking at an entire freeway facility. It is further noted that although ALINEA performed better than HERO on the mainline, traffic operations on the on-ramps significantly deteriorated using isolated control.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,209
Score d'incertitude au seuil0,338

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,265
Écart entre enseignants0,252 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetTraffic control and managementTravaux en français237 207