Modeling and Simulation of Nonmotorized Vehicles’ Dispersion at Mixed Flow Intersections
Notice bibliographique
Résumé
Interactions between motorized and nonmotorized vehicles have drawn considerable attention from researchers. They are commonly seen at mixed flow intersections where nonmotorized vehicles, without the restriction of lane markers or physical barriers, may disperse into adjacent lanes and thus lead to complex interactions with motorized vehicles. Such a dispersion phenomenon between heterogeneous participants (e-bikes and bicycles as nonmotorized vehicles versus motorized vehicles) is difficult to model. In this paper, we were inspired by the dispersion of charged particles in an electric field and modeled the dispersion phenomenon of go-straight, nonmotorized vehicles at mixed flow intersections accordingly, as it was discovered in this research that these two dispersion phenomena share three underlying commonalities with each other. A novel particle dispersion model (PDM) based on a particle’s movement in an electric field is proposed. The model is calibrated and validated using 1,490 high-definition sets of trajectory data for go-straight, nonmotorized vehicles during 43 cycles at two typical mixed flow intersections. The PDM is compared with the social force model (SFM) on their dispersion characteristics that are used to describe the nonmotorized bicycles’ behavior. The results show that the PDM performs better than the SFM with regard to depicting the dispersion characteristic indices of the nonmotorized vehicles, such as the travel time, the dispersion intensity of heterogeneous nonmotorized vehicles, the sectional dispersion degree, and other dispersion characteristics.
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 ».