ANALISIS DAMPAK LALU LINTAS AKIBAT DISRUPSI PADA SAAT ACARA BESAR DENGAN MENGGUNAKAN MODEL SIMULASI MIKRO
Notice bibliographique
Résumé
Makalah ini membahas kinerja lalu lintas pada kondisi terdapat acara besar dan kejadian disrupsi pada jaringan jalan. Lalu lintas pada jaringan jalan dimodelkan dengan berbasiskan model simulasi mikro dengan mengonsiderasikan kondisi tanpa adanya disrupsi, saat terjadi disrupsi, serta kondisi disrupsi dengan adanya skema mitigasi. Simulasi yang digunakan pada makalah ini dapat memodelkan perilaku berkendara pada level mikro (per kendaraan) sehingga dapat digunakan untuk menyimulasikan interaksi antarkendaraan serta kinerja lalu lintas dalam merespon perubahan kapasitas jalan akibat disrupsi. Model diujicobakan pada jaringan jalan yang mengadakan acara besar keolahragaan dengan potensi terjadi kejadian bencana alam. Arus lalu lintas diestimasi dengan didasarkan informasi penyelenggaraan yang sebelumnya pernah berlangsung. Hasil pemodelan simulasi mikro menunjukkan bahwa skenario disrupsi dapat menurunkan kinerja jaringan jalan hingga 43% dengan tundaan total dapat naik hingga lima kalinya. Sementara itu, skema mitigasi untuk mengurangi potensi disrupsi memiliki peran untuk menjaga performa lalu lintas tetap baik. Kerangka kerja pada makalah ini berpotensi digunakan menilai dampak kejadian disrupsi terhadap lalu lintas saat acara besar. Selain itu, alternatif penanganan dapat dievaluasi menggunakan kerangka kerja dalam makalah ini.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,003 |
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 ».