Dynamic Tolling of HOT Lanes Through Simulation of Expected Traffic Conditions
Notice bibliographique
Résumé
Dynamic tolling of High-Occupancy/Toll lanes (HOTL) is a challenging task, particularly given the range of policy constraints that could potentially be applicable. Methodological literature on the topic is relatively sparse or is considered proprietary information, particularly with respect to current implementations. A framework was developed for the Ministry of Transportation of Ontario (MTO) that utilizes micro-simulation of short-term future conditions to evaluate alternative tolling rate strategies and select the rate to be applied for the next time interval. In this case, the objective of the selection algorithm was the choice of a toll rate that maximized utilization of the HOTL subject to maintenance of a specified minimum average speed. Short-term future conditions can be anticipated by supplying the micro-simulation model with traffic flow data collected “upstream” of the HOTL. The framework, as conceived, has a high degree of flexibility. It could be applied on-line or simulation trials conducted off-line could be used to generate a look-up table relating toll rates to traffic conditions. Measurements of actual HOTL performance under the chosen toll rate could be recorded and generalized using a neural network. Reinforcement learning or other machine learning methods could be applied either on or off-line to improve the decision-making process. The process, including the dynamic pricing algorithm but excluding generalization or learning capabilities, was implemented in AIMSUN for evaluation and trial application. The current paper describes the operation of the framework and its application to the evaluation of a hypothetical HOVL to HOTL conversion.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,004 | 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 ».