An extended car-following model considering the influence of bus
Notice bibliographique
Résumé
Original scientific paperIn order to describe car-following behaviour of traffic flow which is composed of buses and passenger cars on freeway, an extended car-following model is proposed for single lane traffic in this paper.The proposed model discriminates four types of car-bus following combination, car-following-bus, busfollowing-bus, bus-following-car and car-following-car.The four combinations are considered in terms of following distance, following speed and following acceleration/deceleration.The proposed methodology is demonstrated using data collected from the combination of microwave radar detector and roadside laser detector on Xuanwu Avenue in the main urban area of Nanjing.Besides, the field data is divided into two data sets, one used for the training of the model, and the other for evaluation purpose.Gazis model and Edie model, the two most extensively used car-following models, are calibrated against the same training data sets and used as a reference benchmark.Finally, the performance of the model, proposed by this paper, was compared with the two classic models based on the evaluation data sets.The results show that buses have different characteristics and manoeuvrability compared with passenger cars.With the influence of buses in the car-following process, it could lead to uneven distribution of traffic flow on the lanes and become the main reason for traffic highway capacity decline.The model, proposed in this paper, is more accurate and stable when predicting acceleration/deceleration of different vehicles during car-following.It has better superiority to describe the car-following behaviours under the influence of bus on freeway.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».