Intelligent Meta-Heuristic-Based Optimization of Traffic Light Timing Using Artificial Intelligence Techniques
Notice bibliographique
Résumé
This research examines worldwide concerns over traffic congestion, encompassing aspects such as security, parking, pollution, and congestion. It specifically emphasizes the importance of implementing appropriate traffic light timing as a means to mitigate these issues. The research utilized a dataset from Montreal and partitioned the simulated area into various zones in order to determine congestion levels for each individual zone. A range of prediction algorithms has been employed, such as Long Short-Term Memory (LSTM), Decision Tree (DT), Recurrent Neural Network (RNN), Auto-Regressive Integrated Moving Average (ARIMA), and Seasonal Auto-Regressive Integrated Moving Average (SARIMA), to predict congestion levels at each traffic light. This information was used in a mathematical formulation to minimize the average waiting time for vehicles inside the road network. Many meta-heuristics were analyzed and compared, with the introduction of an Enhanced Bat Algorithm (EBAT) suggested for addressing the traffic signal optimization problem. Three distinct scenarios are described: fixed (with a constant green timing of 40 s), dynamic (where the timing changes in real-time based on the current level of congestion), and adaptive (which involves predicting congestion ahead of time). The scenarios are studied with low and high congestion scenarios in the road network. The Enhanced Bat Algorithm (EBAT) is introduced as a solution to optimize traffic signal timing. It enhances the original Bat algorithm by incorporating adaptive parameter tuning and guided exploration techniques that are informed by predicted congestion levels. The EBAT algorithm provides a more effective treatment for congestion problems by decreasing travel time, enhancing vehicle throughput, and minimizing pollutant emissions.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».