Modeling Driver Compliance to VSL and Quantifying Impacts of Compliance Levels and Control Strategy on Mobility and Safety
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».