Travel Time Estimation in an Urban Network Using Sparse Probe Vehicle Data and Historical Travel Time Relationships
Notice bibliographique
Résumé
This research proposes an approach to provide travel time estimates on a network using data from part of the network only. This applies to the problem of having a small sample of probes that do not cover an entire network. The method makes use of sparse probe vehicle data along with travel time correlation between neighbor links. By developing travel time relationships between neighbor links, a relatively small sample of probes can be used to estimate travel times on part of the network and then the developed relationships can be used to extend travel time estimation to the whole network. In practice, to apply this approach, historical travel time data need to be first collected for the entire network to develop the required travel time relationships. To investigate and test the method, a microsimulation model for downtown Vancouver was developed using VISSIM. The model was updated and modified according to recent network changes then turned into a dynamic-based model. Travel time data were generated using five demand levels and two hours of simulation. Travel times were obtained from 25 segments in the same direction. Correlation matrices between all travel time segments were developed for different aggregation intervals. The correlation was found to increase when the aggregation period increases. As well, high travel time correlation was found for consecutive links and nearby parallel links. A correlation threshold was selected and used to define a set of “neighbors” for each link. Statistical models were then developed to relate link travel time with the neighbors’ travel times. The models were validated using two simulation runs for two different demand levels. Error measurements indicated a good fit of the developed models. Simple weighting schemes were used to fuse estimates of different models to enhance the travel time estimation. The Mean Absolute Percentage Error (MAPE) of travel time estimates ranged between 1.91% and 9.48% for the applied weighting schemes. The method should prove useful to estimate travel time on links that does not have vehicle probes based on historical travel time correlations.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 | 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 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 ».