A Comparative Analysis of the Effect of Route Set Size in Logit and Weibit-Based Stochastic Traffic Assignment
Notice bibliographique
Résumé
This study presents a comprehensive comparative analysis of the effect of route set size on stochastic user equilibrium (SUE) traffic assignment, focusing on both logit-based (Multinomial Logit (MNL) and Path Size Logit (PSL)) and weibit-based models (Multinomial Weibit (MNW) and Path Size Weibit (PSW)). The primary objective is to investigate the influence of route set size on traffic patterns and determine the minimum requisite number of routes for flow stabilization within the SUE framework. The analysis, conducted on the Winnipeg network using a customized Self-Regulated Averaging (SRA) scheme, yields three key findings. First, all models successfully converged, but the weibit-based models (MNW and PSW) converged faster than the logit-based models. Second, an analysis of perceived total travel time demonstrated that the majority of efficiency gains from route inclusion diminish after a threshold of approximately maximum 30 routes to 40 routes per O-D pair, indicating this number is sufficient for achieving stable SUE results in both model families. Third, the weibit-based model was found to be more sensitive to route overlap effects, continuing to adjust flow patterns up to maximum 45 routes per O-D pair, and exhibiting a greater tendency to allocate flow to less overlapping outer roads. This highlights the superior capability of the weibit formulation, which accounts for heterogeneous perception variance, to achieve a more behaviorally realistic equilibrium compared to the logit models.
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 | 0,009 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».