Physical Model versus Artificial Neural Network (ANN) Model: A Comparative Study on Modeling Car-Following Behavior at Signalized Intersections
Notice bibliographique
Résumé
Many studies have simulated traffic behavior at signalized intersections using various Car-Following (CF) models. However, the performance of which CF Model is superior at signalized intersections has not been thoroughly analyzed and evaluated. In this study, two novel Artificial Neural Network (ANN) CF models, the Convolutional Neural Network—Long Short-term Memory (CNN-LSTM) and the Convolution-LSTM (Conv-LSTM)—are first applied to predict CF behaviors at signalized intersections. Both models can extract spatial and temporal information to address the long-term dependency problem more effectively. Based on the filtered NGSIM dataset, we conduct a comparative empirical study of three conventional CF models and five ANN CF models. The dataset is divided into two categories based on the characteristics of CF behavior at signalized intersections: continuous and discontinuous. The experiments demonstrated that ANN CF models outperformed conventional CF models when the output was the velocity in two categories of traffic flow but only failed to do so when the output was acceleration in discontinuous traffic flow. The proposed models were capable of accurately predicting acceleration, but the traffic fluctuations also existed as time passed. Additionally, it was discovered that while the ANN CF model is preferable for traffic flow simulation, the conventional CF model still cannot be ignored for discontinuous traffic flow simulation, particularly when acceleration is required.
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 ».