Machine Learning Advancements in Urban Traffic Simulation: A Comprehensive Survey
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
Urban traffic simulation is useful in many ways to understand, manage, and predict the growing complexities of traffic dynamics within a city. Traditional simulation models often struggle to capture the intricacies of urban traffic patterns, leading to unrealistic simulations, which negatively affect traffic management and urban planning. In recent years, Machine Learning solutions have emerged to enhance various aspects of urban traffic simulation, which is possible by utilizing vast amounts of data and extracting valuable insights. This survey systematically reviews the state-of-the-art Machine Learning techniques applied to urban traffic simulation. By focusing on the practical application of Machine Learning techniques in various studies, we aim to analyze the current research direction, highlight the effectiveness of existing approaches, identify their limitations, and propose potential strategies to improve the performance and applicability of these techniques in real-world scenarios. Another key contribution of this survey is a proof-of-concept case study, which utilizes a basic Reinforcement Learning algorithm to control traffic lights across multiple intersections. The results from this case study demonstrate a significant improvement in vehicle wait time compared to the static baseline method. The code developed for this case study is publicly available, providing a valuable resource for researchers interested in replicating this work or building upon it. This survey aims to bridge the gap between simulation and reality by providing a comprehensive foundational understanding of the subject, critically evaluating the existing limitations in current methodologies, and suggesting future directions to improve performance, adaptability, and usability.
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 | 0,000 | 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