Regional Boundary Control of Traffic Network Based on MFD and FR-PID
Notice bibliographique
Résumé
In recent years, urban traffic congestion has become more serious and the capacity of roads has declined, resulting in frequent traffic accidents. In order to effectively alleviate the traffic congestion of the regional road network, aiming at the problem of lack of accurate OD data of the road network, a regional boundary control method of the traffic network based on fuzzy RBF neural network PID (FR-PID) is proposed by combining the theory of macroscopic fundamental diagram (MFD). Firstly, based on the traffic survey, the simulation model of the study area is built, and the basic data such as the traffic flow and the time occupation rate of each road section are obtained. Secondly, the simulation data are used to test the existence of MFD in the road network, and the controlled area is defined. Then, the vehicle change model of the road network area is established. Then, in view of the problem of poor adaptive ability of traditional PID control, the FR-PID control structure is designed. Finally, an example is verified by VISSIM software. In the simulation, different control methods are used for comparison and verification, and the simulation results are analyzed. The results show that the control effect of the proposed method is better than that of the traditional method, and the regional average accumulative vehicle number, regional average completed volume, regional accumulative delays, and total vehicle travel time are optimized by 28.21%, 41.19%, 27.06%, and 32.73%, respectively. The research results can provide reference for the management of urban congestion, thereby reducing the number of traffic accidents and improving urban traffic safety.
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 ».