Optimal roadside units location for path flow reconstruction in a connected vehicle environment
Notice bibliographique
Résumé
The path flow reconstruction problem is used to determine the minimum set of links that must be equipped with traffic monitoring devices to identify vehicle paths in a road network. This study addresses the path flow reconstruction problem in a connected vehicles (CVs) environment. Unlike traditional sensors that can observe both CVs and non-connected vehicles (NCVs), CV-enabled infrastructures, known as roadside units (RSUs), can only identify CVs on roads through vehicle to infrastructure (V2I) communications. They can, however, provide critical traffic information, including traces of the historical trajectories of CVs and possibly the desired path to a destination, thereby inferring partial information on links that are not directly covered by RSUs. RSUs have an “area” rather than a “point” coverage capability. This allows them to simultaneously monitor more than one link. We mathematically developed four variant formulations for the path flow reconstruction problem to optimally locate either a network’s RSU or a mix of the network’s RSUs and automatic vehicle identification (AVI) sensors. The first two models assume 100% market penetration of CVs and the first model determines the links that should be directly covered by RSUs in a road network. While the desired path to a destination is assumed to be unknown. This model determines an upper bound for the number of RSUs required to fully reconstruct path flows by using each RSU to directly cover a link. To consider the coverage and range of the RSU (where RSU can cover more than one link) and to minimize the total cost, Model II optimizes the locations of traditional AVI sensors and RSUs. This allows the model to capitalize on the RSUs’ area and indirect coverage features to fully reconstruct path flow in a road network. Model III considers the gradual deployment of CVs and thus the prevailing mixed traffic environment consisting of both CVs and NCVs. Accordingly, this model relaxes the assumption of a 100% penetration rate of CVs and maximizes the path flow information gain subject to a budget constraint in a mixed traffic environment. Finally, Model IV explores the infrastructure to infrastructure (I2I) communication capability among RSUs, further maximizing the traffic flow information gain of CVs while guaranteeing full path flow reconstruction. The results suggest that fewer RSUs than AVI sensors are required to reach full path flow reconstruction in a road network. The level of unique path flow information obtained from RSUs is also considerably higher than what can be obtained from AVI sensors. It is demonstrated that, in mixed traffic conditions, the coverage range of RSUs and their cost compared to AVI sensors can significantly affect the deployment of either type of sensing devices for maximized path flow information gain.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».