Comparative analysis of drivers' start‐up time of the first two vehicles at signalized intersections
Notice bibliographique
Résumé
Summary The aim of this study is to comparatively analyze drivers' start‐up time (SUT) of the first two vehicles at signalized intersections. Three groups of data, the SUT of the first vehicle, the SUT of the second vehicle, and car‐following SUT of the second vehicle, were collected through a videography technique. The comparative analysis was then conducted. Pearson's correlation was used to determine the correlation between the three groups. Multiple regression was used to analyze and identify which independent variable or variable combination was the best explanation of the SUT of the second vehicle. The combination patterns of start‐up behavior of the first two vehicles were discovered using the fuzzy c‐means clustering. The data obtained show that the mean of the car‐following SUT of the second vehicle is 1.08 seconds. Four combination patterns of start‐up behavior of the first two vehicles, { fast , fast }, { fast , slow }, { slow , fast }, and { slow , slow }, are obtained. The numbers of the first pattern { fast , fast } and the fourth pattern { slow , slow } account for 71.80% and 21.82% of total patterns, respectively. These results suggest that the main factors influencing the SUT of the second vehicle are the type and SUT of the first vehicle. The results seem to indicate that the SUT of the first vehicle plays a crucial role in determining total start‐up lost time. The pattern { fast , fast } is the best for decreasing start‐up lost time. Copyright © 2015 John Wiley & Sons, Ltd.
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 ».