A Statistics Based Approach for Defining Reference Trajectories on Road Sections
Notice bibliographique
Résumé
Theories and models usually adopted in designing roads, especially for safety verifications, are based on the hypothesis of a single vehicle that follows a trajectory matching with the road axle. This condition can be expressed as “road following” model and it determines many important design parameters, like curvature, design speed, superelevation, lane placement, sight distances, characteristics of transition curves, etc.. In real conditions, vehicles on a road section travel along trajectories always different from the road axle, so, in order to ensure that theoretical models can be effective, it is important to evaluate how a reference trajectory, on particular road elements, can statistically represent the population of users. In this way, it will be possible to design the road axle on the basis of this reference trajectory and consequently develop road design processes. To deal with these problems, it is useful to perform some surveys on trajectories of vehicles on real road elements, but the statistical analysis of the data needs specific procedures to extract trajectories that have a formal geometric expression and correctly represent the scattering of vehicles’ position. The article presents a statistics based method, proposed with the aim to obtain the reference trajectories on road sections starting from surveys over real exercise conditions; the method was tested on case studies regarding two ramp terminals, that are particularly interesting because when the infrastructure present special geometrical or physical features the vehicle trajectories are influenced by them.
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 ».