Modeling Driver Compliance to VSL and Quantifying Impacts of Compliance Levels and Control Strategy on Mobility and Safety
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Variable speed limits (VSL) aim to improve freeway mobility and safety by influencing collective behaviors of drivers. Thus, VSL benefits should be positively correlated with the VSL compliance level (CL). Surprisingly, a number of heuristic VSL control strategies have shown that VSL with increased CLs can, in fact, increase travel time. However, it has yet to be analyzed whether or not that outcome is because of the control strategy design or the CL. Some recent studies have shown that, regardless of CL, a proactive optimal VSL control provides mobility benefits; however, no evidence has been found to indicate which CL is most achievable in practice, nor has a description been found for the distribution of speed of a given VSL. The objective of this paper is to quantify the relative contribution of CLs with a proactive optimal VSL control toward improving mobility and safety. In this study, several CL-to-VSL strategies have been modeled after real-world driver behavior. To quantify the impact of CLs only, speed distributions are altered with the static speed limit. Then, the benefits are quantified by implementing a proactive optimal VSL control strategy with CLs. The simulation evaluation shows that both VSL mobility and safety benefits are positively correlated with increasing CLs. Specifically, the travel time, throughput, and collision probability are improved in the CL ranges of 5–15%, 6–8%, and 50–60%, respectively. The study findings will help guide transportation agencies in deploying VSL control by considering CL, so as to achieve maximum mobility and safety benefits.
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.
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 découle