Este artículo desarrolla un modelo de medición de rampas por aprendizaje de refuerzo (RLRM) sin información completa, que se aplica para aliviar las congestiones de tráfico en las rampas. El RLRM consta de herramientas de predicción que dependen de la simulación del flujo de tráfico y de un modelo de elección óptima basado en las teorías del aprendizaje por refuerzo. Además, también es un proceso dinámico con capacidades de automaticidad, memoria y retroalimentación del rendimiento. En este estudio se presentan casos numéricos para demostrar el RLRM, como el cálculo de la tasa de afluencia, la densidad, la velocidad media y el tiempo de viaje en comparación con la ausencia de control y el control a tiempo fijo. Los resultados indican que cuanto mayor es la afluencia, mayor es el efecto. Además, la estabilidad del RLRM es mejor que la del control de tiempo fijo.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Un enfoque para evaluar la seguridad de las redes informáticas con información difusa trapezoidal intuicionista
Artículo:
Características cinemáticas y dinámicas del manipulador espacial de flotación libre con fallo de la junta de oscilación libre
Artículo:
Modelo GA-ARMA para predecir las correcciones de la RTS del IGS
Artículo:
Estudio sobre el proceso de ignición y las características del propulsor de poliéter plastificado con éster de nitrato
Artículo:
Un enfoque de fusión de múltiples sensores tolerante a fallos aplicado a la estimación de la actitud de los UAV
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.