A Person-Based Adaptive Traffic Signal Control Method with Cooperative Transit Signal Priority
Notice bibliographique
Résumé
Real-time traffic signal control has long been a critical way to improve traffic congestion. Transit Signal Priority (TSP) is seen as a cost-effective way to reduce travel time variability. Most of the previous studies develop real-time signal control systems on a vehicle basis, which is unable to efficiently provide preferential treatment on transit vehicles. Person-based signal control systems, which transform traffic delay computation units from vehicle to passenger, have been proposed to try to address this limitation. However, their models, optimizing signal plan cycle-by-cycle, cannot rapidly respond to traffic variations. This study proposes a Person-based Adaptive traffic signal control method with Cooperative Transit signal priority (PACT). In PACT, not only do Road-Side Units (RSUs) perform signal optimization, but also On-Board Units (OBUs) provide in-vehicle speed advisory to reduce delays. The interaction between RSU and OBU is conducted second-by-second, which has high adaptability to traffic variations. Experiments are performed based on real traffic data via traffic simulation platform SUMO. The results indicate that PACT can efficiently reduce delays of both bus passengers and auto passengers at a signalized intersection. Compared to preoptimized signal plans, the results show that each passenger on transit vehicles experiences 33%–70% decreases in delays, and each auto passenger experiences 3%–29% decreases in delays. PACT can reduce 80%–98% in delays when the occupancy weight factor is relatively large, showing the potential of extending PACT on performing signal preemption.
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 ».