A Study on Travel Time Estimation of Diverging Traffic Stream on Highways Based on Timestamp Data
Notice bibliographique
Résumé
Travel time is valuable information for both drivers and traffic managers. While properly estimating the travel time of a single road section, an issue arises when multiple traffic streams exist. In highways, this usually occurs at the upstream of diverge bottleneck. The aim of this paper is to provide a new framework for travel time estimation of a diverging traffic stream using timestamp data only. While providing the framework, the main focus of this paper is on performing a few analyses on the stage of travel time data classification in the proposed framework. Three sequential steps with a few statistical approaches are provided in this stage: detection of data divergence, classification of divergent data, and outlier filtering. First, a divergence detection index (DDI) of data has been developed, and the analysis results show that this new index is useful in finding the threshold of determining data divergence. Second, three different methods are tested in terms of properly classifying the divergent data. It is found that our modified method based on the approach used by Korea Expressway Corporation shows superior performance. Third, a polynomial regression-based method is used for outlier filtering, and this shows reasonable performance even at a relatively low market penetration rate (MPR) of probe vehicles. Then, the overall performance of the travel time estimation framework is tested, and this test demonstrates that the proposed framework can show improved performance in distinctively estimating the travel times of two different traffic streams in the same road section.
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 ».