Predicting real-time traffic restoration time based on the estimated traffic state
Notice bibliographique
Résumé
Ensuring efficient traffic management after crash occurrence is crucial for minimizing fatalities, avoiding secondary crashes, reducing congestion, guiding traffic to alternative routes. Hence, it is important to know the time required to return the traffic state to a normal operating condition after such incidents in real time. In this paper, we present a new approach to predict the traffic restoration time after a crash occurrence based on the estimated traffic state using real-time data. The contribution of this study is threefold: first, the study developed models to predict the traffic state after a crash; second, the study predicted the traffic restoration time based on the estimated post-crash traffic state; third, the study applied three-step validation techniques to evaluate the performance of the developed approach and compare it with crash clearance time. To accomplish these tasks, we considered a 220 miles section of Interstate-75 of Florida, USA. Traffic, crash, weather, and emergency facility data from 2017 to 2019 were collected recording 24,448 events (4,939 crashes and 19,509 non-crash events) and 65 real-time features. A total of eight traffic state prediction models with high accuracy were developed using the XGBoost machine learning technique. The estimated traffic state was used to calculate the post-crash congestion level. Then pre-crash and post-crash congestion levels were compared to determine the time when traffic returned to normal operating conditions. The estimated traffic restoration time was validated by investigating the post-crash speed volume relationship, comparing it with the actual crash clearance time data, and finding the cosine similarity index. The proposed framework enables traffic management agencies to correctly predict the impact of a crash based on predicted traffic. To the best of the knowledge of the authors the developed approach to estimate traffic restoration time is a novel idea and has the potential to contribute to real-time traffic management after a crash.
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 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».