A Two‐Stage Multiobjective Optimization Approach for Expressway Guide Sign Information Selection
Notice bibliographique
Résumé
The selection of information for expressway guide signs requires a consideration of multiple factors, including geographical location, traffic demand, network cost, and information relevance. As expressway networks continue to expand and their topologies become increasingly complex, relying solely on expert experience for guide sign information selection has become insufficient. To address this issue, a novel two‐stage multiobjective optimization framework is proposed. In the first stage, a route‐swapping algorithm is employed to solve a transformed system optimization equilibrium model to generate the link flow distribution. This distribution then serves as parameter input for the second stage, where a multiobjective mixed integer linear programming (MILP) model is formulated to decide guide sign information. We consider three objectives of maximizing consistency between guidance information and traffic flow distribution, maximizing continuity of guidance information, and minimizing driver’s recognition time. The Pareto optimal solution set of the multiobjective model is identified through parametric search, and the TOPSIS method is applied to determine the global optimal solution, generating the guide sign information scheme for newly constructed expressway segments. Validation on the case‐study expressway shows that the proposed framework provides a scheme that satisfies all hard constraints while exhibiting high consistency with geographical and traffic flow distribution patterns, strong information coherence, and effective control of redundant information. This study presents an efficient, standardized methodology for optimizing expressway guide sign information selection.
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 | 0,000 | 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 | 0,001 |
| 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 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 ».