MétaCan
Menu
Retour à la cohorte
Enregistrement W3192327502 · doi:10.1155/2021/3328202

Traffic Light Optimization Based on Modified Webster Function

2021· article· en· W3192327502 sur OpenAlexvenueno aff
Huizhen Zhang, Hongtao Yuan, Youqing Chen, Wenlong Yu, Cheng Wang, Jing Wang, Yueer Gao

Notice bibliographique

RevueJournal of Advanced Transportation · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic Prediction and Management Techniques
Établissements canadiensnon disponible
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesNational Natural Science Foundation of China
Mots-clésIntersection (aeronautics)Signal timingTraffic signalSIGNAL (programming language)Genetic algorithmComputer scienceScheme (mathematics)Mathematical optimizationFunction (biology)Traffic congestionControl theory (sociology)AlgorithmSimulationReal-time computingEngineeringMathematicsTransport engineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Intersection traffic lights are a basic means of ensuring the normal operation of road traffic. A good signal timing scheme is essential for improving traffic congestion. To obtain the signal timing scheme of the designated intersection, the method proposed in this article is based on a modified Webster function. The method uses the signal cycle and proportion of green light duration as independent variables to establish the corresponding intersection vehicle delay function. This function is converted from a multiobjective optimization to a single-objective optimization formulation; a modified genetic algorithm is then used to find the optimal solution to this function. The experimental results show that the timing scheme optimized by the improved genetic algorithm can reduce the intersection delay by nearly 15.64%. The proposed traffic signal timing based on the modified Webster function will be of value as an important reference for the optimization of traffic lights at urban intersections.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,958
Score d'incertitude au seuil0,386

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,197
Écart entre enseignants0,192 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetTraffic Prediction and Management TechniquesTravaux en français237 207