Travel Time Estimation in Urban Networks Using Neighbor Links Travel Time Data
Notice bibliographique
Résumé
This paper presents a framework to estimate link travel times using available data from neighboring links. The spatial covariance between the travel times of nearby (neighbor) links in a network is used for this purpose. This can be a solution to the problem of partial network coverage caused by having a small sample of probe vehicles or a limited number of detectors. Two clues are used for real-time travel time estimation; historical travel time data and online travel time data from neighbor links. In the absence of online travel time data from neighbor links, one may rely on historical records only. However, in case the two types of data are available, a data fusion scheme should be applied to make use of the two clues. Real-life travel time data were collected and used to validate the proposed framework. The prediction accuracy was assessed using error measurements and the results were satisfactory. A microsimulation model for downtown Vancouver was developed using VISSIM to analyze the impact of probe vehicle sample size on the proposed methodology. Six market penetration levels were tested under five different demand scenarios. As expected, the estimation accuracy of the proposed method improved with higher market penetration levels. The methodology provided reasonable estimation even with small probe samples after introducing a threshold to filter outlier predictions.
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 | 0,017 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,005 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».