Decentralized Coordinated Optimal Ramp Metering: Application to the Gardiner Expressway in Downtown Toronto
Notice bibliographique
Résumé
Dynamic traffic control measures provide a set of cost effective congestion mitigation solutions for the escalating congestion problems of metropolitan areas, among which ramp metering (RM) is an effective approach. While independently controlling on-ramps can effectively prevent freeway breakdown, this may sacrifice the users of the on-ramp for the benefit of others. Additionally, limited queue capacity of on-ramps will limit RM effectiveness. In this paper, the authors present a coordinated and decentralized freeway ramp metering algorithm by metering the rates of adjacent on-ramps to efficiently utilize the queue space available on all on-ramps along freeways. The controllers are designed based on multi-agent reinforcement learning, to obtain metering rates without the need for a mathematical model of the freeway. The agents utilize a function approximation method to overcome the curse of dimensionality issue associated with conventional reinforcement learning approaches. The proposed RM control system is applied to a calibrated microsimulation model of the Gardiner Expressway in Toronto, Canada. The Gardiner expressway is the main freeway running through Downtown Toronto and suffers from extended periods of congestion. The proposed coordinated RM algorithm when applied to the Gardiner model resulted in 50% reduction in total travel time compared with the base case scenario and significantly outperformed approaches based on the well-known ALINEA RM algorithm. This improvement was attained without compromising the permissible on-ramps maximum queue limit.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».