A Collaborative Transit Signal Priority Method Considering Gaming among Traffic Participants
Notice bibliographique
Résumé
How to realize the game equilibrium between bus and nontransit vehicle is a hot topic in the field of transit signal priority (TSP). To this end, a collaborative transit signal priority (Co-TSP) method is proposed. The core of Co-TSP is a two-objective optimization problem which takes the expected delays of buses and the average delays of nontransit vehicles as the objectives. Different from previous studies, Co-TSP uses game theory to realize collaborative optimization, instead of transforming the problem into a single objective optimization problem by weighting. A finite state machine-based algorithm is developed to estimate the average delays of nontransit vehicles. The stochasticity of bus arrival time is also considered in the estimation of bus delays to improve the robustness. Candidate timing plans obtained by the nondominated sorting genetic algorithm (NSGA) are divided into three priority levels based on the delays of buses. The final timing plans can be picked intuitively from the candidates by rules representing expert knowledge and demands to control the priority level. Co-TSP guarantees theoretically by preliminary screening that the expected delays of bus after optimization must be no higher than that before optimization. Simulation experiments are conducted in Shanghai, China, to verify the performance. Results show that Co-TSP reduces the delays of buses by 27.7%∼41.0% and still performs well under low and high congestion levels, while the conventional TSP (CTSP) fails in some cases. Priority control proves to be effective at last. The research provides a new idea for the benefit allocation among participants at intersections.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».