Determining E-Bike Drivers’ Decision-Making Mechanisms during Signal Change Interval Using the Hidden Markov Driving Model
Notice bibliographique
Résumé
Rapidly increasing e-bike use in China has resulted in new traffic problems including rising accident rates at intersections related to e-bike drivers’ decision-making during multiple signal phases. Traditional one-step decision models (such as GHM) lack randomness and cannot adequately model e-bike drivers’ complex behavior. Therefore, this study used a Hidden Markov Driving Model (HMDM) to analyze e-bike drivers’ decision-making process based on high-resolution trajectory data. Video data were collected at three intersections in Shanghai and processed for use in the HMDM model. Five decision types (pass, stop, stop-pass, pass-stop, and multiple) composed of speed and acceleration/deceleration information were defined and used to analyze the impact of flashing green signals on e-bike drivers’ behavior and decision-making processes. Approximately 40% of drivers made multiple decisions during the flashing green and yellow signal phases, in contrast to the traditional GHM model assumption that drivers only make one decision. Distance from stop-line had the most obvious influence on the number of decisions. The use of flashing green signals nearly eliminated the dilemma zone for e-bike drivers but enlarged the option zone, inducing more stop/pass decisions. HMDM can be applied to improve the accuracy of traffic simulation, the fine design of traffic signals, the stability analysis of traffic control schemes, and so on.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».