Modeling and Predicting Stochastic Merging Behaviors at Freeway On-Ramp Bottlenecks
Notice bibliographique
Résumé
Merging behavior is inevitable at on-ramp bottlenecks and is a significant factor in triggering traffic breakdown. In modeling merging behaviors, the gap acceptance theory is generally used. Gap acceptance theory holds that when a gap is larger than the critical gap, the vehicle will merge into the mainline. In this study, however, analyses not only focus on the accepted gaps, but also take the rejected gaps into account, and the impact on merging behavior with multi-rejected (more than once rejecting behavior) gaps was investigated; it shows that the multi-rejected gaps have a great influence on the estimation of critical gap and merging prediction. Two empirical trajectory data sets were collected and analyzed: one at Yan’an Expressway in Shanghai, China, and the other at Highway 101 in Los Angeles, USA. The study made three main contributions. First, it gives the quantitative measurement of the rejected gap which is also a detailed description of non-merging event and investigated the characteristics of the multi-rejected gaps; second, taking the multi-rejected gaps into consideration, it further expanded the concept of the “critical gap” which can be a statistic one and the distribution function of merging probability with respect to such gaps was analyzed by means of survival analysis. This way could make the full use of multi-rejected gaps and accepted gaps and reduce the sample bias, thus estimating the critical gap accurately; finally, considering multi-rejected gaps, it created logistic regression models to predict merging behavior. These models were tested using field data, and satisfactory performances were obtained.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».