The development of BPR models in smart cities using loop detectors and license plate recognition technologies: A case study
Notice bibliographique
Résumé
The trend toward sustainable city development is associated with intelligent transportation systems (ITS). Automation, efficiency, safety, security, and cost-effectiveness are critical factors in establishing each aspect of a smart city. Real-time data obtained from ITS play an essential role in improving the level of service of road segments, enhancing road safety, and supporting road users with road circumstances information. Travel time information is applicable in travel time maps, decision makings for traffic congestion, dynamic pricing of the network, emergency relief services, traffic flow monitoring, traffic jams management, and air quality analysis. Travel time on a road segment highly depends on geometrical specifications, environmental and weather conditions, traffic flow, and driving behavior. Due to specific driving behavior and road conditions, the above parameters are not essentially applicable in another region. The present research uses the data collected from loop detectors and License Plate Recognition (LPR) systems to develop a Bureau of Public Roads (BPR) model for Iran’s freeway network (Tehran-Qom Freeway). Because of the large amount of data, the SQL server program was used for creating and organizing the database and the BPR model was calibrated using SPSS statistical software. The results of the BPR model were evaluated with an ANOVA test, indicating that the derived model can estimate the travel time at freeway sections with a %5.2 error for the volume-to-capacity ratio (V/C) of less than 0.8.
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 ».