Variable Speed Limit Control Strategy with Collision Probability Assessments Based on Traffic State Prediction
Notice bibliographique
Résumé
An increasing number of vehicles on roadways has made traffic safety a serious challenge for transportation engineers. For the mitigation of traffic safety concerns, a variety of active traffic control measures, such as the variable speed limit (VSL), have been intensively investigated and deployed. VSL is usually adopted to advise drivers of a lower speed limit that is more appropriate to a congested traffic condition and takes advantage of the homogeneous traffic flow effect. However, in earlier studies, because of the absence of traffic state prediction, the impact of applied VSL control was not quantitatively analyzed. In this study, a model predictive control framework was adopted for predicting and assessing future traffic states. Taking into consideration the impact of VSL control, the study used a macroscopic traffic flow model. The collision probabilities of the predicted traffic states were assessed with a precursor-based collision prediction model to determine the optimized control signal. With this design, the proposed algorithm controller provided a robust method for determining the VSL control plan to optimize safety performance over a traffic network. The proposed control algorithm was evaluated with a simulation study based on field data that was conducted to reproduce a major ring road in Edmonton, Alberta, Canada. The proposed algorithm was used to implement VSL control on the studied 11-km freeway stretch. The proposed algorithm control scenario was then compared with the uncontrolled scenario. The evaluation proved that the proposed VSL control algorithm could effectively reduce the probability for collisions in a congested traffic network without significantly compromising mobility.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».