MétaCan
Menu
Retour à la cohorte
Enregistrement W4281566751 · doi:10.1155/2022/3536979

Driver Source-Based Traffic Control Approach for Mitigating Congestion in Freeway Bottlenecks

2022· article· en· W4281566751 sur OpenAlexvenueno aff
Minglun Li, Hu Yang, Bao Guo, Jianjun Dai, Pu Wang

Notice bibliographique

RevueJournal of Advanced Transportation · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueTransportation Planning and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesNational Natural Science Foundation of ChinaDepartment of Transportation of Hunan ProvinceU.S. Department of Transportation
Mots-clésTraffic congestionTraffic congestion reconstruction with Kerner's three-phase theoryControl (management)Computer scienceTransport engineeringTraffic bottleneckTraffic optimizationBottleneckDifferential (mechanical device)Floating car dataEngineeringEmbedded system

Résumé

récupéré en direct d'OpenAlex

On-ramp control is an effective way to mitigate traffic congestion in freeways. In this study, a traffic control approach is developed based on the OD data of a regional freeway to alleviate the traffic overload in freeway bottlenecks. We first locate the major driver sources of the freeway bottlenecks and identify the on-ramps for implementing the traffic control schemes. Next, the differential evolution algorithm is employed to calculate the optimal control time at each traffic control on-ramp. The results indicate that the major driver sources of the freeway bottlenecks are limited. Traffic congestion in the freeway bottlenecks can be effectively mitigated by adaptively controlling the waiting time of vehicles at the on-ramps of their major driver sources.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,783
Score d'incertitude au seuil0,422

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,257
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetTransportation Planning and OptimizationTravaux en français237 207