This study investigates dynamic system-optimal (DSO) and dynamic user equilibrium (DUE) traffic assignment of departure/arrival-time choices in a corridor network. The morning commute problems with a many-to-one pattern of origin-destination demand and the evening commute problems with a one-to-many pattern are considered. Specifically, a novel approach to derive closed-form solutions for both DSO and DUE problems is developed. We first derive a closed-form solution to the DSO problem based on the regularities of the cost and flow variables at an optimal state. By utilizing this solution, we prove that the queuing delay at a bottleneck in a DUE solution is equal to an optimal toll that eliminates the queue in a DSO solution under certain conditions of a schedule delay function. This enables us to derive a closed-form DUE solution by using the DSO solution. We also show the theoretical relationship between the DSO and DUE assignment. Numerical examples are provided to illustrate and verify the analytical results.


翻译:这项研究对走廊网络中离开/抵达时间选择的动态系统最佳(DSO)和动态用户平衡(DUE)交通选择进行了调查。 考虑了以多种至一种模式的源地-目的地需求在清晨通勤问题和以一至多种模式在晚通勤问题。 具体地说,开发了一种新颖的方法,为 DSO 和 DUE 问题找出封闭式解决方案。 我们首先根据成本和流动变量在最佳状态的规律性,为DSO 问题找到一种封闭式解决方案。 我们通过使用这一解决方案,证明在DUE 解决方案中一个瓶子的挤压延迟等于一种在一定时间延迟功能条件下消除 DSO 解决方案中排队的最佳计价。 这使我们能够通过 DSO 解决方案获得一个封闭式的 DUE 解决方案。 我们还展示了 DSO 和 DUE 任务之间的理论关系。 我们提供了数字示例,以说明和核实分析结果。

0
下载
关闭预览

相关内容

Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
【Google】平滑对抗训练,Smooth Adversarial Training
专知会员服务
48+阅读 · 2020年7月4日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
基于 Carsim 2016 和 Simulink的无人车运动控制联合仿真(四)
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
Dynamic Zoom-in Network 论文笔记
统计学习与视觉计算组
6+阅读 · 2018年7月18日
【推荐】深度学习时序处理文献列表
机器学习研究会
7+阅读 · 2017年11月29日
【推荐】树莓派/OpenCV/dlib人脸定位/瞌睡检测
机器学习研究会
9+阅读 · 2017年10月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年6月14日
VIP会员
相关VIP内容
相关资讯
基于 Carsim 2016 和 Simulink的无人车运动控制联合仿真(四)
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
Dynamic Zoom-in Network 论文笔记
统计学习与视觉计算组
6+阅读 · 2018年7月18日
【推荐】深度学习时序处理文献列表
机器学习研究会
7+阅读 · 2017年11月29日
【推荐】树莓派/OpenCV/dlib人脸定位/瞌睡检测
机器学习研究会
9+阅读 · 2017年10月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员