Personal efficiency in highway driving: An agent-based model of driving behaviour from a system design viewpoint
Notice bibliographique
Résumé
This research investigates improvement in personal efficiency of a driver based on the driver behaviour on a generic three-lane highway in Ontario. The behaviour is classified in: Law-Abiding drivers, opportunistic Deviant drivers, cautious Non-Myopic drivers, tailgating Aggressive drivers, and ambivalent Imitator drivers. For each driver in a class, the instantaneous ratio between actual and preferred speed is measured. A ratio of 1 defines an efficient driver. Here we measure throughout the personal efficiency of a driver by comparing their ratio to 1. We then aggregate these personal measures for classes of drivers; the system is more efficient if the aggregate ratio is closer to 1. Our research leads to the following conclusions: efficiency declines with higher car densities; it improves with the presence of Deviant and Aggressive drivers; Non-Myopic drivers do not affect traffic flow in a significant way. Imitators are Law-Abiding drivers who temporarily mimic deviating driver behaviour. We note that Imitator drivers fare worse than Law-Abiding drivers, but slightly improve overall system efficiency. The most surprising conclusion was to see that although Deviant drivers deviate from traffic rules from a selfish desire to improve their personal efficiency, they fare the worst in the end, while overall contributing to all other drivers' personal efficiencies.
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 ».