FitFun: A Modelling Framework for Successfully Capturing the Functional Form and Noise of Observed Traffic Flow-Density-Speed Relationships
Notice bibliographique
Résumé
Measurements of the average properties of vehicular traffic are inherently noisy. The distributions of flow and speed measurements at any particular density are non-Gaussian with density-dependent variance, skewness, and kurtosis. Previous studies have failed to properly account for these complicated noise properties. In remediation, we present FitFun, a general framework for modelling any observed flow-density-speed relationship. Models specified within FitFun incorporate components for both the functional form and the noise. We define three flexible noise model components and we fit 200 different models to a high-quality sample of 10,150 observed urban flow-occupancy relationships. We compare the fits using information criteria and assess fit quality through analysis of the residuals. We find that the non-parametric Sun model for the functional form component combined with a Skew Exponential Power Type III noise component significantly outperforms all of the other models. Interestingly, we find that the city, country, road topology, and detector location have virtually no impact on model performance and fit quality, which is very convenient for model selection. The only factor of relevance from those that we studied is the effective occupancy coverage of the data. We conclude that certain models specified judiciously within FitFun can successfully capture the functional form and noise of observed flow-density-speed relationships without the need to discard data taken during non-stationary conditions. This is particularly advantageous for urban data where stationary traffic conditions are rarely observed. Accepted by Transportation Research Part C on 16th Feb 2023.
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 | 0,007 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».