On the Queueing Time Analysis for State-Dependent Fixed-Cycle Traffic Light Queues
Notice bibliographique
Résumé
We analyze a Fixed-Cycle Traffic Light (FCTL) intersection model. Vehicles arrive according to a Poisson process and must wait for a green signal. Each signal period (red or green) consists of a number of phases. Exactly one waiting vehicle is released (passes through the intersection) per green signal period phase, while vehicles remain waiting during red signal periods phases. The lengths of red and green signal periods are not constants, rather they depend on the number of vehicles in the queue. That is, we propose a state-dependent scheduling mechanism for green and red signal periods in an FCTL intersection. The number of green phases increases if the number of vehicles waiting in the intersection is greater than or equal to a threshold N(> 0). The number of green phases increases from g(> 0) to g1(≥ g) and the number of red phases decreases from r(> 0) to r1(≤ r) in such a way that the total length of a cycle period, c = g + r = g1 + r1, is fixed. This mechanism allows one to control the waiting time of vehicles through the FCTL intersection. We analyze the distributions of queue length and vehicle waiting time during each phase of the green signal period. We provide several numerical examples to gain insight into the performance of our proposed FCTL scheduling mechanism. The proposed state-dependent FCTL queueing model dynamically adjusts green and red light durations based on the volume of traffic in queues. This FCTL model with state-dependent scheduling is ideal for smart city traffic optimization, improves traffic flow, reduces delays, and minimizes fuel consumption in busy urban areas.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».