Evaluating the Need for Traffic Signal Retiming Using Connected Vehicle Data
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
The emergence of automated traffic signal performance measures (ATSPMs), aided by recent technological advancements, allows for continuous traffic performance monitoring, and supports traffic agencies in taking proactive measures. High-resolution trajectory data from connected vehicles (CVs) has surfaced as a cost-effective method for assessing ATSPMs. Although various metrics have been developed to measure traffic signal performance, none have been specifically designed to estimate the benefits of signal retiming. This study devises a novel methodology to estimate the potential reduction in overall intersection delay resulting from signal retiming using only CV data. This methodology results in a new metric, the traffic signal suboptimality index, that uniquely estimates the potential avoidable delay rather than simply the observed signal delay. This new metric could enable traffic agencies to predict the benefits of potential signal retiming without the need for conducting costly traffic surveys and help these agencies prioritize locations and times of day for signal retiming. This study employs the VISSIM microsimulation software to implement and evaluate the methodology under various traffic scenarios and CV market penetration rates. In our experiments, the proposed methodology successfully detected signal retiming needs in situations involving an imbalanced degree of saturation, traffic demand fluctuations on competing movements, and changes in traffic direction, even with CV penetration rates as low as 10%. Furthermore, the sensitivity analysis reveals that the temporal aggregation period can be increased to further compensate for low CV penetration rates.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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