MARC

 008260126s2025        us                              c    eng  d
■001000017360850
■00520260202105628
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265429964
■035    ▼a(MiAaPQ)AAI32316575
■035    ▼a(MiAaPQ)Stanfordqp135gh6053
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a388.4
■1001  ▼aChen,  Yirong.
■24510▼aForecasting  and  Optimization  of  Urban  Traffic  for  Improved  Adaptation  to  Climate  Change
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a165  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Lepech,  Michael.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aThe  rapid  urbanization  and  exponential  growth  in  vehicle  ownership  have  exacerbated  traffic  congestion,  a  challenge  further  exacerbated  by  climate  change-induced  extreme  weather  events.  These  events  disrupt  traffic  flow  and  amplify  greenhouse  gas  emissions,  posing  significant  barriers  to  efficient  urban  mobility.  Climate  change  projections  indicate  increasing  frequency  and  severity  of  extreme  weather  events,  including  heatwaves,  heavy  rainfall,  and  storms,  all  of  which  directly  impair  transportation  by  reducing  road  capacity,  elevating  accident  risks,  and  altering  travel  behaviors.  Conventional  traffic  management  strategies,  however,  often  fail  to  account  for  these  climate-related  disruptions  systematically.  At  the  same  time,  existing  optimization  frameworks,  particularly  reinforcement  learning  (RL)-based  traffic  signal  control  systems,  assume  instantaneous  access  to  real-time  data  and  rely  on  high-frequency  interventions  (e.g.,  every  5  seconds).  This  idealized  setup  conflicts  with  real-world  constraints  such  as  communication  delays,  computational  resource  limitations,  and  safety  regulations  that  necessitate  longer  control  intervals.  As  a  result,  current  approaches  struggle  to  maintain  efficiency  under  dynamic  weather  conditions  or  operational  constraints,  highlighting  a  critical  gap  between  research  and  practical  implementation.To  address  these  challenges,  this  dissertation  introduces  a  holistic  framework  that  integrates  climate  impact  quantification,  traffic  forecasting,  and  adaptive  optimization.  First,  we  develop  a  comprehensive  model  to  assess  the  environmental,  economic,  and  social  consequences  of  climate-induced  traffic  disruptions  under  three  top-priority  climate  change  scenarios.  Our  analysis  reveals  significant  welfare  losses  due  to  prolonged  congestion  and  increased  emissions  under  moderate  to  high  climate  change  scenarios,  underscoring  the  urgency  of  proactive  adaptation.  Building  on  this  foundation,  we  present  three  key  contributions.  The  first  is  AHSTN  (Adaptive  Hierarchical  Spatio-Temporal  Network),  an  end-to-end  graph  convolutional  network  that  dynamically  captures  multiscale  spatiotemporal  dependencies  in  traffic  data.  By  leveraging  hierarchical  learning  mechanisms,  AHSTN  achieves  superior  prediction  accuracy  while  reducing  computational  complexity,  enabling  real-time  forecasting  of  weather-sensitive  traffic  patterns.  The  second  contribution  is  prediction-driven  signal  control,  a  novel  framework  that  integrates  traffic  flow  forecasts  with  real-time  traffic  data  to  optimize  signal  timings.  This  method  dynamically  adjusts  phase  durations  by  incorporating  both  current  and  predicted  vehicle  queues,  ensuring  robustness  under  communication  delays  and  uncertain  weather  conditions.  The  third  contribution  is  CCDA  (Centralized  Critic  and  Decentralized  Actors),  a  scalable  RL  architecture  designed  for  low-frequency  signal  control.  CCDA  introduces  the  adjust  all  phases  action  design,  allowing  simultaneous  optimization  of  signal  durations  across  all  phases  in  a  cycle,  thereby  maximizing  the  impact  of  each  intervention.  Through  decentralized  actors  and  a  centralized  critic,  CCDA  balances  localized  decision-making  with  global  coordination,  ensuring  adaptability  to  varying  control  frequencies  while  maintaining  computational  efficiency.  Collectively,  these  advancements  provide  a  scalable  and  adaptive  approach  to  urban  traffic  management,  bridging  the  gap  between  theoretical  models  and  real-world  operational  requirements  while  enhancing  resilience  to  climate  change.
■590    ▼aSchool  code:  0212.
■650  4▼aTraffic  flow
■650  4▼aCommuting
■650  4▼aClimate  change
■650  4▼aRain
■650  4▼aTraffic  control
■650  4▼aMeteorology
■650  4▼aTransportation
■690    ▼a0404
■690    ▼a0543
■690    ▼a0557
■690    ▼a0709
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360850▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서