CAR FOLLOWING TECHNIQUES: THE ROLE OF THE HUMAN FACTOR RECONSIDERED
Notice bibliographique
Résumé
[EN] Engineering and psychophysiological car following models emerge in the late 1950s \n(Saifuzzaman & Zheng, 2014). Such models differ in their ground concepts and \nexplanatory mechanisms, but both assume a fundamental tenet: following each other, \ndrivers invariably attempt to couple, keeping safety distance. More recent models focus on \nthe spontaneous emergence of traffic jams that results from the properties of a system of \ninteracting vehicles (i.e., without bottlenecks). In an experimental setting Sugiyama et al., \n(2008) have successfully recreated the conditions that allow the observation of the typical \nsoliton wave going backwards through several car clusters. When certain speed, density \nand inter-vehicular distance join, so do traffic jams. Some of us have built upon these and \nother factors (e.g., wave movement in nature) exploring the mathematical properties of a \nsystem with three incognita that also needs three variables to be solved (Melchor & \nSánchez, 2014). Two canonical car-following techniques emerge as a consequence: \nDriving to keep safety Distance (DD) vs Inertia (DI). Also a basic question: can drivers \nactually understand and follow either way, or do they stick to a basic normative driving \nbehavior? This paper summarizes the results after three experimental studies done with a \ndriving simulator. Several performance measures from individual drivers (accelerations, \ndecelerations, average speed, distance to leader, and so on) were taken. As an overall \nindicator, results consistently announce in the three studies that DI trips consume less fuel \n(about 20%) than DD ones.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».