Vehicle stacking estimation at signalized intersections with unmanned aerial systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Fleet composition and vehicle spacing on roads are important inputs to mobile source emission models and traffic planning. In this paper, we present a novel method that employs an unmanned aerial system (UAS) to capture imagery of stationary vehicle formations at two different intersections and times of the day. The imagery is processed through photogrammetric software to generate 3-dimensional (3D) models of the formations allowing for measurement of the stacking gaps and identification of individual vehicle types for fleet composition evaluation. Statistical tests were performed on the different flight results to assess traffic behavior (both composition and gaps) were similar and can be pooled. In both cases, the variation of fleet composition and gaps were similar. However, the stationary headway gaps followed a logarithmic distribution and had to be transformed after pooling. The final results of the fleet composition measured varied significantly from the estimated mix based on registered vehicles, while the average vehicle spacing was approximately 2.17 m and did not depend on vehicle type, location or time of day. These results were used to prepare a Monte Carlo Analysis model to estimate the total number and types of vehicles on a 1 km road section. The model was extended from stationary traffic to traffic moving up to 20 km/h by assuming a linear increase of the spacing gap. This research paper is one of the first of its kind to study the stacking spaces of mixed fleets at signalized intersections and shows that spacing is dependent more on individual driver behavior than vehicle type. Keywords: UAS, Signalized intersection, Fleet composition, Photogrammetry, Monte Carlo Analysis
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle