Cycle Maximum Queue Length Estimation: An Integrated Deep Learning and Adaptive Neuro-Fuzzy Inference System Framework
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
Queue Length Estimation (QLE) at signalized intersections is vital for enhancing urban mobility and managing congestion effectively. This study introduces a novel QLE framework that diverges from traditional methods, which rely on sophisticated sensor settings and shockwave models, by focusing on the kinetic features of vehicles captured at the stopline by sensors. Developed systematically in four stages, the framework begins with a binary classification of vehicles as queuing or non-queuing. This is followed by a lane-based analysis of sequential vehicles to examine following patterns, refining the initial classifications through a label modification strategy, and culminating in the construction of queue sequences for accurate length calculation. A conventional deep learning (DL) method, Multi-Layer Perceptron (MLP), alongside a spatiotemporal approach, Convolutional Neural Network-Long Short-Term Memory-Attention (CNN-LSTM-Attention, C-L-A) were employed for the initial binary classification. Empirical results show the MLP model outperforms C-L-A in this task. Additionally, integrating an Adaptive Neuro-Fuzzy Inference System (ANFIS) with sequential modification enhances the label modification process, facilitating accurate queue sequence generation. Refined vehicle labels are then used for queue length calculation, using a proposed Non-queuing Tolerance Technique (NQTT) and Longest Continuous Queuing Sequence (LCQS). The framework outperforms conventional methods under both oversaturated and undersaturated conditions, with statistically significant improvements validated by one-sided t-tests. Furthermore, in accident-specific scenarios such as rear-end collisions (REC), the framework demonstrates robust performance, effectively handling complexities like increased headway and lane-changing behaviors. This integration of DL and traditional traffic measurement techniques highlights the system’s adaptability in improving QLE accuracy across diverse traffic conditions.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 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