Investigating the Effect of Network Traffic Signal Timing Strategy with Dynamic Variable Guidance Lanes
Notice bibliographique
Résumé
This paper aims to investigate the effect of network signal timing strategy with dynamic variable guidance lanes based on a two-step approach, where the first step is an interactive traffic signal optimization model for each single interaction (e.g., lane allocation plans, cycle length) in the network, and the second refers to network signal control (e.g., split, off-sets). The optimization problem in the first step is solved using the Non-dominated Sorting Genetic Algorithm (NSGA-ΙΙ), and the network signal control problem in the second step is solved through SYNCHRO. To verify the effect of dynamic variable guidance lanes and also the reliability and validity of the proposed approach, a numerical case study is carried out. The results show that the average vehicle delay in the entire road network was reduced by 25.06% after optimization using the proposed model. Moreover, the sensitivity of influencing factors of the proposed model is also analyzed. The results show that when the traffic flow is increased by 60% of the original traffic flow, the optimization effect of the model is more significant. However, when the lane capacity is more than 1300 pcu/h, the vehicle delay will increase slowly. To sum up, this method can improve the regional traffic efficiency of the traffic-stressed lanes and further promote the full utilization of space-time resources of the road network.
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 | 0,001 | 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 ».