Automated Traffic State Optimization in the Weaving Area of Urban Expressways by a Reinforcement Learning-Based Cooperative Method of Channelization and Ramp Metering
Notice bibliographique
Résumé
The traffic congestion problem on urban expressways, especially in the weaving areas, has become severe. Some cooperative methods have been proven to be more effective than a separate approach in optimizing the traffic state in weaving areas on urban expressways. However, a cooperative method that combines channelization with ramp metering has not been presented and its effectiveness has not been examined yet. Thus, to fill this research gap, this study proposes a reinforcement learning-based cooperative method of channelization and ramp metering to achieve automated traffic state optimization in the weaving area. This study uses an unmanned aerial vehicle to collect the real traffic flow data, and four control strategies (i.e., two kinds of channelization methods, a ramp metering method, and a cooperative method of channelization and ramp metering) and a baseline (without controls) are designed in the simulation platform (Simulation of Urban Mobility). The speed distributions of different control strategies on each lane were obtained and analyzed in this study. The results show that the cooperative method of channelization and ramp metering is superior to other methods, with significantly higher increases in vehicle speeds. This cooperative method can increase the average vehicle speeds in lane-1, lane-2, and lane-3 by 14.51%, 14.81%, and 37.03%, respectively. Findings in this study can contribute to the improvement of traffic efficiency and safety in the weaving area of urban expressways.
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 | 0,000 | 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 ».