Data Science for Transportation· 2026Q2
Hibrit Sinir Ağı, Kesintiler Sırasında Gerçek Zamanlı OD Talebi Kalibrasyonu Yapıyor
A Hybrid Neural Network for Real-Time OD Demand Calibration Under Disruptions
- 3atıf
- Q2SCImago
- 2026yıl
Kısa özet
Yeni bir hibrit çerçeve, veri odaklı OD talep kalibrasyonunu mikroskobik trafik simülatörleriyle entegre ederek, trafik kesintilerine gerçek zamanlı uyum sağlamak için bir meta-model tabanlı geri yayılım şeması kullanıyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Veri odaklı modelleri ve trafik simülatörlerini entegre eden gerçek zamanlı OD talep kalibrasyonu için hibrit bir çerçeve öneriyor.
- Çift yönlü bilgi alışverişi ve eş zamanlı parametre güncellemeleri için meta-model tabanlı bir geri yayılım şeması sunuyor.
- Veri odaklı modelin çevrimdışı önceden eğitilmesi, ilk kalibrasyon sürecini hızlandırıyor.
- Çerçevenin, vaka çalışmalarında kesinti senaryoları altında gelişen trafik koşullarına dinamik olarak uyum sağlama yeteneğini gösteriyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract This study proposes a real-time OD demand calibration framework that integrates data-driven origin–destination (OD) demand calibration with black-box microscopic stochastic traffic simulators. To enable bi-directional information exchange between the data-driven OD calibration and the non-differentiable traffic simulator, a metamodel-based backpropagation scheme is developed, allowing simultaneous updates of both the data-driven model and simulator parameters. In addition, the data-driven model is pre-trained offline using the metamodel to accelerate the initial calibration process. Validation through two toy networks and a Tokyo expressway corridor case study demonstrates the framework’s capability to dynamically adapt to evolving traffic conditions under various disruption scenarios. The results highlight the potential of hybrid approaches that couple data-driven and model-based techniques to support proactive traffic management, offering substantial improvements over conventional reactive systems.
Yazarların özeti; kaynağından alınmıştır. Data Science for Transportation, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Yapı ve İnşaat
Building and ConstructionEngineering