Real-Time Traffic Arrival Prediction for Intelligent Signal Control Using a Hidden Markov Model-Filtered Dynamic Platoon Dispersion Model and Automatic License Plate Recognition Data
Notice bibliographique
Résumé
Accurate prediction of downstream vehicle arrivals is pivotal for intelligent signal control, yet many advanced controllers depend on high-resolution trajectories that are rarely available outside connected-vehicle settings. We present a deployable alternative that converts ubiquitous Automatic License Plate Recognition (ALPR) timestamps into the predictive inputs required by modern controllers. The method couples a Hidden Markov Model (HMM) for separating free-flow samples from signal-induced delays with a dynamic platoon-dispersion model that is re-estimated online in a rolling window to forecast downstream arrival profiles in real time. In a Simulation of Urban Mobility (SUMO) corridor testbed, the proposed framework consistently outperforms fixed-kernel dispersion and fixed-travel-time baselines, reducing RMSE by 57–75% and MAE by 53–73% across demand levels; ablation results confirm that HMM-based filtering is the dominant contributor to the gains. Robustness experiments further show stable parameter estimation under low ALPR matching rates, indicating suitability for real-world conditions where data quality fluctuates. Because it operates with existing roadside cameras and lightweight inference, the framework is readily integrable into adaptive signal strategies and broader smart-city traffic management. By turning discrete ALPR events into reliable arrival predictions, it bridges the gap between advanced signal control and today’s sensing infrastructure, enabling cost-effective real-time signal optimization in data-constrained urban networks.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».