MARC

 008250123s2024        us                              c    eng  d
■001000017163785
■00520250211152753
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384448693
■035    ▼a(MiAaPQ)AAI31555552
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a385
■1001  ▼aBagabaldo,  Alben  Rome.
■24510▼aNavigating  Urban  Traffic:  From  Data  to  Simulations  to  Real-World  Impacts
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a146  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Bayen,  Alexandre  M.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aTransportation  systems  face  increasing  challenges  in  managing  traffic  congestion  and  improving  mobility.  Recent  advancements  in  sensor  networks  and  cyber-physical  systems  have  led  to  an  exponential  increase  in  data  collection,  often  presenting  issues  such  as  ambiguity,  inconsistency,  inaccuracy,  and  problematic  data  formats.  This  dissertation  investigates  leveraging  data  from  multiple  sources  to  develop  traffic  simulations.  The  developed  simulations  help  understand  dynamic  navigation  strategies  in  urban  environments,  focusing  on  how  information-aware  routing  impacts  congestion  dynamics.  This  work  explores  the  influence  of  dynamic  routing  algorithms  on  overall  traffic  performance  and  congestion  levels.  By  employing  the  SIR  model  and  average  marginal  regret,  the  research  quantifies  the  effects  of  navigation  apps  on  traffic  patterns,  highlighting  the  potential  for  increased  congestion  and  its  implications.  Moreover,  two  case  studies  are  presented,  capturing  the  effects  of  traffic  light  coordination  on  routing  and  using  speed  limits  as  a  control  parameter  to  improve  traffic  performance.  On  another  note,  sensor  data  can  be  incomplete  due  to  malfunctions.  This  research  demonstrates  how  machine  learning  techniques  can  accurately  fill  in  the  missing  data.  Beyond  macroscopic  traffic  analysis,  this  dissertation  examines  the  individual  behavior  of  drivers,  which  can  lead  to  'phantom  congestion'.  With  the  growing  interest  in  automated  vehicles  (AVs),  a  chapter  evaluates  the  impact  of  microscopic  traffic  behavior  on  longitudinal  AV  control  policies  in  a  ring  road  setting.  The  investigation  of  stop-and-go  waves  in  closed-circuit  ring  road  traffic  reveals  that  improvements  are  possible  using  specific  AV  controllers,  which  could  be  affected  by  their  distribution  in  mixed  traffic  settings.  Additionally,  this  dissertation  presents  a  chapter  on  designing  bus  routes  using  location-based  services  data.  By  understanding  routing  behavior  and  integrating  existing  transit  data  with  shortest  path  algorithms  and  machine  learning  techniques,  we  can  design  new  bus  routes  and  potentially  enhance  existing  ones.  Overall,  through  advanced  traffic  simulation  techniques  and  data-driven  analyses,  this  research  demonstrates  that  a  balanced  mix  of  app  and  non-app  users  can  improve  traffic  conditions,  AVs  can  mitigate  stop-and-go  waves,  and  innovative  bus  route  design  can  enhance  urban  transit  systems.
■590    ▼aSchool  code:  0028.
■650  4▼aTransportation
■650  4▼aUrban  planning
■650  4▼aEnvironmental  engineering
■653    ▼aCongestion  dynamics
■653    ▼aDigital  twin
■653    ▼aSIR  modeling
■653    ▼aTraffic  congestion
■653    ▼aTraffic  simulation
■653    ▼aTransportation  network
■690    ▼a0543
■690    ▼a0709
■690    ▼a0999
■690    ▼a0775
■71020▼aUniversity  of  California,  Berkeley▼bCivil  and  Environmental  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163785▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books