Classifying Passing Maneuvers: A Behavioral Approach
Notice bibliographique
Résumé
Passing an impeding vehicle on a two-way two-lane roadway is a complex maneuver because of the variety of passing conditions and driver behavior. In this study, the supposition that passing maneuvers can be classified on the basis of a quantitative description of passing behavior was examined by analyzing data collected during a passing experiment conducted in a driving simulator. Evidence was found to support the following hypotheses: (a) the speed increase of the passing vehicle during the passing maneuver is smaller when the speed difference between the passing and impeding vehicles at the moment of initial acceleration is greater and (b) the speed reduction of the passing vehicle during the latter portion of the passing maneuver is greater when the time to collision with the oncoming vehicle at the moment when the passing vehicle returns to the right lane is greater. Therefore, it was concluded that the start of a pass can be classified by acceleration behavior, and the end of the pass can be classified by deceleration behavior. This behavioral approach is an improvement to classifying passing maneuvers on the basis of a qualitative assessment of the passing conditions, as in establishing the AASHTO passing sight distance design criteria and the minimum passing sight distances in the Manual on Uniform Traffic Control Devices for Streets and Highways. A particular passing behavior, described by a specific acceleration and deceleration behavior, could be used to modify or update these criteria, thereby improving the guidance given to passing drivers and potentially the safety of passing areas.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».