Calibration of Microscopic Traffic Flow Simulation Models considering Subsets of Links and Parameters
Notice bibliographique
Résumé
This study proposes a methodology for the calibration of microscopic traffic flow simulation models by enabling simultaneous selection of traffic links and associated parameters. The analyst selects any number and combination of links and model parameters for calibration. Most calibration methods consider the entire network and use ad hoc approaches without enabling a specific selection of location and associated parameters. In practice, only a subset of links and parameters is used for calibration based on several factors such as expert knowledge of the system or constraints imposed by local governance. In this study, the calibration problem for the simultaneous selection of links and parameters was formulated using a mathematical programming approach. The proposed methodology is capable of calibrating model parameters considering multiple time periods and performance measures simultaneously. Traffic volume and speed are the performance measures used in this study, and the methodology is developed without considering the characteristics of a specific traffic flow model. A genetic algorithm was implemented to find a solution to the proposed mathematical program. In the experiments, two traffic models were calibrated: the first set of experiments included selection of links only, while all associated parameters were considered for calibration. The second set of experiments considered simultaneous selection of links and parameters. The implications of these experiments indicate that the models were calibrated successfully subject to selection of a minimum number of links. As expected, the more links and parameters that are used for calibration, the more time it takes to find a solution, but the overall results are better. All parameter values were reasonable and within constraints after successful calibration.
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 ».