ReFOCUS+: Multi-Layers Real-Time Intelligent Route Guidance System With Congestion Detection and Avoidance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Due to random nature of traffic and unpredictability of human behaviors, one of challenging problems in transportation engineering is traffic congestion which has a direct impact on the economy and environment with the increase in traveling time, fuel consumption and emissions. One of approaches to reduce traffic congestions is the advance Route Guidance Systems (RGSs) which can propose alternative optimal routes for vehicles, which are in or will be entering congested roads or areas. Advanced RGSs, usually employ real-time and predicted traffic information of the roads to find the best possible route for vehicles in a way that total traffic congestions will be reduced. In this paper, The ReFOCUS+, a dynamic semi-distributed, multi-layer, and Fog-Cloud based advance route guidance system architecture has been introduced. The ReFOCUS+ architecture, employ Road Side Units (RSUs), to calculate different traffic-related factors such as current and predicted road congestions, area congestions, traveling time, etc. Then, the ReFOCUS+ uses traffic factors to proposes a novel method to detect congested roads in an area and, apply re-routing to vehicles to ease the traffic congestion within each area using a multi-metric fitness function, called Road Weight Measurement (RWM). To evaluate the performance of ReFOCUS+, a new open-source Python-based program has been developed which is able to connect to SUMO traffic simulator and control the simulation. The simulation results demonstrate that ReFOCUS+ outperforms existing solutions and improve traveling time, fuel consumption and gas emissions. <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">11</sup> The developed program and software in this paper available at https://www.github.com/hamednoori/ReFOCUS+
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.
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 découle