Intelligent Meta-Heuristic-Based Optimization of Traffic Light Timing Using Artificial Intelligence Techniques
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 |
| 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 découle