Design of Light-Rail Transit Signal Priority to Improve Arterial Traffic Mobility
Notice bibliographique
Résumé
Transit Signal Priority (TSP) is a cost effective strategy for improving the movement of transit vehicles, such as Light Rail Transit (LRT), buses or streetcars, through controlled intersections. Application of TSP strategies improves the reliability and quality of services of transit vehicles, while causes less disruption to normal traffic. City of Edmonton in Canada has recently extended the LRT system, most of the part of which run through at grade intersections. LRT is currently operating under preemption which is causing significant delay to other traffic. The problem is more pronounced during peak hours when the frequency of LRT is increased to 5 minutes. This has led to dissatisfaction among the motorists along the corridor. In this paper, different TSP strategies for improving the performance of the LRT corridor are analyzed. VISSIM, a micro-simulation tool with its Ring Barrier Controller (RBC) emulator is used to implement the strategies at a major intersection during peak hours. Field data for both AM and PM peak hours were collected at four intersections along the corridor for the calibration of the VISSIM model. The three TSP strategies explored in this paper are (a) LRT preemption (b) LRT prediction, and (c) LRT prediction together with transit bus priority. Each strategy is evaluated in terms of a number of measures of performances. It is found from the results that the strategy (b), where LRT arrival time is predicted to provide LRT preemption, yields the highest improvement in the corridor performance.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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) | 0,000 | 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 ».