Passenger car equivalents of trucks on four-lane rural freeways under lane restriction and different traffic conditions
Notice bibliographique
Résumé
Truck lane restriction and differential speed limits for trucks and passenger cars are becoming more common policies to improve freeway operations and safety. The most recent edition of the Highway Capacity Manual (HCM) recognizes that the passenger car equivalent (E T ) values may differ with various traffic conditions, but does not explicitly address how E T values may be impacted by truck lane restrictions or differential speed limit policies. This study developed a flow-based methodology to determine E T for trucks under truck lane restriction policies and different levels of demand and traffic composition. A simulation model (VISSIM) was calibrated to reproduce E T in HCM on a level terrain freeway segment and then used to simulate various scenarios to capture the effect of demand flow rate, truck percentage, and compliance ratio to lane restriction, all under the enforcement of differential speed limit policy. The results showed that E T increases as the compliance ratio increases, regardless of the truck percentage and demand flow rate. For a given traffic flow rate, E T decreases as the truck percentage increases. Moreover, regardless of the compliance ratio to lane restriction and the truck percentage, E T increases with the demand flow rate. The statistical analysis revealed that the truck percentage has a significant effect on E T for most cases, except when the truck percentage exceeds 30%. The results also showed significant differences in E T for all demand flow rates at 95% confidence level. The study also developed linear regression models for each level of service to estimate the value of E T as a function of the truck percentage and compliance ratio.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».