Measuring, Describing and Modeling Travel Time Reliability
Notice bibliographique
Résumé
Assessing the performance of a highway network is a challenging task. Many authorities are hardly dealing with the responsibility of gathering data and estimating relevant performance indicators. With the important evolution of congestion in many urban areas, it has become critical to better assess the evolution of travel times. In fact, with the increase in the frequency and duration of congestion states, it is becoming less possible to focus on sole detection of decreases in travel times. Hence, the challenge is now to ensure reliable travel times. Monitoring highway network performances requires the definition of new indicators involving both travel times and their variability. In Montreal, researches are being conducted to assess the reliability of travel times on the main highway corridors. This paper presents the outputs of a methodology that was developed to estimate travel times using almost 30,000 observations from floating cars. It builds upon previous results based on the systematic division of routes in one kilometer segments. Clustering techniques are used to associate segments to particular clusters based on the similarity of travel time distributions. The process outputs sixteen clusters of segments, eight for each period (AM, PM). The travel time distributions of each cluster are modeled using three additive log normal distributions. New performance indicators are also proposed: a network malfunction indicator and a mean-variability indicator. In the future, the proposed method will enable planners to simulate the expected travel time on various routes, evaluate its reliability as well as the probability to face atypical travel conditions.
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 | 0,007 | 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».