Queue Intensity Adaptive Signal Control for Isolated Intersection Based on Vehicle Trajectory Data
Notice bibliographique
Résumé
With recent development of mobile Internet technology and connected vehicle technology, vehicle trajectory data are readily available and exhibit great potential to be used as an alternative data source for urban traffic signal control. In this study, a Queue Intensity Adaptive (QIA) algorithm is proposed, using vehicle trajectory data as the only input to perform adaptive signal control. First, a Kalman filter-based method is employed to estimate real-time queue state with vehicle trajectories. Then, based on queue intensity that quantifies queuing pressure, five control situations are defined, and different min-max optimization models are designed correspondingly. Last, a situation-aware signal control optimization procedure is developed to adapt intersection’s queue intensity. QIA algorithm optimizes phase sequence and green time simultaneously. One case study was conducted at a field intersection in Shenzhen, China. The results show that provided with 7.4% penetrated vehicle trajectories, QIA algorithm effectively prevented queue spillback by constraining temporal percentage of queue spillback under 2.4%. The performance of QIA was also compared with the algorithm in Synchro and Max Pressure (MP) method. It was found that compared with Synchro, the extreme queue intensity, temporal percentage of queue spillback, delay, and stops were decreased by 54.7%, 97%, 22.3%, and 45.1%, respectively, and compared with MP the above four indices were decreased by 16%, 61.5%, −1.8%, and 49.4%, respectively.
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 ».