Modeling Bus Passenger Flow Dynamics Using the Cell Transmission Model for Real‐Time Congestion Management
Notice bibliographique
Résumé
This research develops the BUS‐CTM, a novel mathematical simulation model that adapts the cell transmission model (CTM) to analyze spatiotemporal passenger flow dynamics in urban bus networks. The framework discretizes bus routes into interconnected cells bounded by adjacent stops, enabling simultaneous tracking of passenger density evolution and bus traffic interactions through a unified state‐space representation. By integrating real‐time data streams—including GPS trajectories, automatic passenger counters (APCs) records, and VISSIM‐simulated traffic dynamics—the model captures critical nonlinearities in boarding/alighting processes and network‐wide congestion propagation at shared stops. Numerical experiments on Gainesville’s RTS network demonstrate the model’s accuracy in predicting passenger distributions, achieving a 4% mean absolute percentage error (MAPE) during peak hours (6:30–9:45 a.m.) and successfully identifying bottlenecks where densities exceed 85% of capacity. The BUS‐CTM advances prior CTM adaptations through three key innovations: (1) integration of mixed‐traffic capacity reduction effects to account for bus‐induced roadway bottlenecks, (2) modular parameterization for transferability across diverse transit systems, and (3) real‐time applicability via embedded calibration protocols for door throughput ( C door = 1.2 pax/s) and fare efficiency ( γ = 0.8–1.0). These contributions provide transit agencies with a computationally efficient tool for optimizing service frequency, mitigating crowding, and improving network resilience.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».