Large scale flow modelling and control: a macroscopic fundamental diagram approach
Notice bibliographique
Résumé
In recent decades, traffic congestion has become a major issue in traffic networks, especially in urban networks comprised of a set of short links and signalized intersections. To circumvent the issue, various traffic control and management strategies have been devised; however, the proposed strategies are rarely developed at network-wide level. Further, the modelling approach is based on microscopic models that cannot be adopted for centralized control or macroscopic models that have limited capacity to properly describe important phenomenon of traffic networks. This thesis aims at modelling and control of a large-scale urban network comprised of multiple pockets of congestion. The modelling approach is based on macroscopic fundamental diagram (MFD), which assumes a well-defined relationship between average flow and average density for any traffic network with spatially homogeneous distribution of vehicles. This simpler representation of large-scale traffic networks using aggregated traffic variables facilitates a centralized and real-time control of urban networks. To use the system-wide benefits of MFD models, firstly, an anticipatory control scheme, integrating road users routing responses to the control model is advanced. The proposed anticipatory control approach is found to produce globally optimal solutions and move the network towards system optimum traffic condition. Thereafter, a proportionally fair control scheme that simultaneously enhances efficiency and fairness among road users is developed. The unique feature of the developed perimeter controller is consideration of road users' trip utility in the control model without much sacrificing efficiency for fairness. Despite the computational advantages of aggregated MFD models, these models do not describe important phenomenon of traffic networks. In the final part of this thesis, the MFD dynamics is enhanced to capture multiple kinematic waves, congestion, and queueing with high precision and within reasonable computational effort. Further, an approach for incorporating connected/autonomous vehicles (CAV)s into MFD dynamics is introduced; the network-wide effect of CAVs on network's traffic state is then investigated.
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 ».