Dynamic Calibration of a Carsharing System in Multiagent Transport Simulation
Notice bibliographique
Résumé
When employing simulation platforms to reproduce user behaviors of a transport mode as close to reality as possible, the model used must be calibrated. With simulation software, several calibration methods can be used. Some models are calibrated manually: users modify the parameters to be calibrated, launch the simulation, and then evaluate the results. Users perform these steps until the simulation results satisfy the desired objective. In this study, the multiagent transport simulation (MATSim) platform was used to simulate user behavior across various transportation modes. In addition to known transportation modes (private cars, public transit, and walking), carsharing mode was added to the Siouxfalls scenario. This enhanced scenario was used as the baseline to simulate the impact of the chosen parameters on the agent’s behavior. Previous studies on the calibration of agent-based models such as MATSim have introduced two automated methods based on entropy and gradient descent. However, these methods can require a higher number of calibration iterations and longer simulations to reach the required parameters. To offer both an efficient method in relation to computation time, and a solution that is adapted specifically to the carsharing mode, this paper presents a calibration methodology based on a surrogate algorithm that will act as a substitute for MATSim during calibration to speed up the process. Assuming that the parameters related to the basic mode of transportation were calibrated, the process described in this paper was applied specifically to the calibration of the carsharing mode in MATSim.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».