MétaCan
Menu
Retour à la cohorte
Enregistrement W2790283375 · doi:10.1155/2018/3785957

Implementation and Evaluation of a Traffic Light Assistance System Based on V2I Communication in a Simulation Framework

2018· article· en· W2790283375 sur OpenAlexvenueno aff
Cristina Olaverri-Monreal, Javier Errea-Moreno, Alberto Díaz-Álvarez

Notice bibliographique

RevueJournal of Advanced Transportation · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicular Ad Hoc Networks (VANETs)
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIntersection (aeronautics)Traffic flow (computer networking)Reliability (semiconductor)AccelerationIntelligent transportation systemComputer scienceSimulationRange (aeronautics)Real-time computingFloating car dataCommunications systemPhase (matter)Vehicular communication systemsTransport engineeringEngineeringComputer networkTraffic congestionTelecommunicationsVehicular ad hoc network

Résumé

récupéré en direct d'OpenAlex

Cooperative Intelligent Transportation Systems (C-ITS) make the exchange of information possible through cooperative systems that broadcast traffic data to enhance road safety. Traffic light assistance (TLA) systems in particular utilize real-time traffic light timing data by accessing the information directly from the traffic management center. To test the reliability of a TLA system based on networked intervehicular interaction with infrastructure, we present in this paper an approach to perform theoretical studies in a lab-controlled scenario. The proposed system retrieves the traffic light timing program within a range in order to calculate the optimal speed while approaching an intersection and shows a recommended velocity based on the vehicle’s current acceleration and speed, phase state of the traffic light, and remaining phase duration. Results show an increase in driving efficiency in the form of improvement of traffic flow, reduced gas emissions, and waiting time at traffic lights after the drivers adjusted their velocity to the speed calculated by the system.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,133
Score d'incertitude au seuil0,476

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,295
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations39
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetVehicular Ad Hoc Networks (VANETs)Travaux en français237 207