Effects of on-Board Unit on Driving Behavior in Connected Vehicle Traffic Flow
Notice bibliographique
Résumé
Connected vehicle technology has potentials to increase traffic safety, reduce traffic pollution, and ease traffic congestion. In the connected vehicle environment, the information interaction among people, cars, roads, and the environment is significantly enhanced, and driver behavior will change accordingly due to increased external stimulation. This paper designed a Vehicle-to-Vehicle (V2V) on-board unit (OBU) based on driving demand. In addition, a simulation platform for the interconnection and communication between the OBU and simulator was built. Thirty-one test drivers were investigated to drive an instrumented vehicle in four scenarios, with and without the OBU under two different traffic states. Collected trajectory data of the subject vehicle and the vehicle in front, as well as sociodemographic characteristics of the test drivers were used to evaluate the potential impact of such OBUs on driving behavior and traffic safety. Car-following behavior is an essential component of microsimulation models. This paper also investigated the impacts of the V2V OBU on car-following behaviors. Considering the car-following related indicators, the k-Means algorithm was used to categorize different car-following modes. The results show that the OBU has a positive impact on drivers in terms of speed, front distance, and the time to stable regime. Furthermore, drivers’ opinions show that the system is acceptable and useful in general.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».