Steady-State Car-Following Time Gaps: An Empirical Study Using Naturalistic Driving Data
Notice bibliographique
Résumé
The time gap is defined as the time difference between the rear of a vehicle and the front of its follower, which affects both safety and the saturation flow rate of a roadway segment. In this study, naturalistic driving data were examined to measure time gaps from seven different drivers in a car-following scenario within steady-state conditions. The measurements were taken from a 13-km section of a Dulles Airport access road in Washington, DC. In total, 168,053 time gap samples were obtained covering seven speed intervals. Analysis of the data revealed a large variation in time gaps within individual drivers’ driving data, with coefficients of variation as high as 63.8% observed for some drivers. Results also showed that the variability within drivers was more significant at speeds higher than 54 km/h. In addition, there was a large variability between drivers. At speeds above 108 km/h, minimum time gaps left by some drivers could be 1.6 times longer than those left by others. Several statistical distributions were used to fit the data of the seven drivers as well as the data for all drivers combined for each speed interval. The selected distributions passed the goodness-of-fit (Kolmogorov-Smirnov, Chi-square, and Anderson-Darling) criteria only when the number of samples was reduced. Data reduction was not performed randomly, but rather in a manner intended to maintain the same observed distribution when all the samples were used. It is therefore recommended that empirical measures of distributions be used in traffic microsimulation software rather than theoretically fit distributions obtained based on statistical tests. This will lead to better naturalistic traffic behavior simulations, resulting in more precise predicted measures of performance (travel time, fuel consumption, and gas emissions).
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 | 0,001 |
| 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 ».