Fitting Empirical Fundamental Diagrams of Road Traffic: A Comprehensive Review and Comparison of Models Using an Extensive Data Set
Notice bibliographique
Résumé
Understanding the inter-relationships between traffic flow, density, and speed through the study of the fundamental diagram of road traffic is critical for traffic modelling and management. Consequently, over the last 85 years, a wealth of models have been developed for its functional form. However, there has been no clear answer as to which model is the most appropriate for observed (i.e. empirical) fundamental diagrams and under which conditions. A lack of data has been partly to blame. Motivated by shortcomings in previous reviews, we first present a comprehensive literature review on modelling the functional form of empirical fundamental diagrams. We then perform fits of 50 previously proposed models to a high quality sample of 10,150 empirical fundamental diagrams pertaining to 25 cities. Comparing the fits using information criteria, we find that the non-parametric Sun model greatly outperforms all of the other models. The Sun model maintains its winning position regardless of road type and congestion level. Our study, the first of its kind when considering the number of models tested and the amount of data used, finally provides a definitive answer to the question “Which model for the functional form of an empirical fundamental diagram is currently the best?’‘. The word “currently” in this question is key, because previously proposed models adopt an inappropriate Gaussian noise model with constant variance. We advocate that future research should shift focus to exploring more sophisticated noise models. This will lead to an improved understanding of empirical fundamental diagrams and their underlying functional forms. Accepted by IEEE Transactions On Intelligent Transportation Systems on 14th Dec 2021
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 | 0,011 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,010 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».