Data-driven uncertainty quantification in macroscopic traffic flow models

DOI:	https://doi.org/10.1007/s10444-022-09989-5
URL:	https://link.springer.com/article/10.1007/s10444-0...
Weitere URL:	https://www.researchgate.net/publication/365297384...
Dokumenttyp:	Zeitschriftenartikel
Erscheinungsjahr:	2022
Titel einer Zeitschrift oder einer Reihe:	Advances in Computational Mathematics : AICM
Band/Volume:	48
Heft/Issue:	6, Article 75
Seitenbereich:	1-26
Ort der Veröffentlichung:	Dordrecht
Verlag:	Kluwer Akad. Publ.
ISSN:	1019-7168
Sprache der Veröffentlichung:	Englisch
Einrichtung:	Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Scientific Computing (Göttlich 2011-)
Fachgebiet:	510 Mathematik

Dieser Eintrag ist Teil der Universitätsbibliographie.

BASE: Würth, Alexandra ; Binois, Mickaël ; Goatin, Paola ; Göttlich, Simone

Google Scholar: Würth, Alexandra ; Binois, Mickaël ; Goatin, Paola ; Göttlich, Simone

ORCID: Würth, Alexandra ; Binois, Mickaël ; Goatin, Paola ; Göttlich, Simone

Aufrufe im letzten Jahr

Sie haben einen Fehler gefunden? Teilen Sie uns Ihren Korrekturwunsch bitte hier mit: E-Mail

Eintrag anzeigen