Simulation-Based Connected and Automated Vehicle Models on Highway Sections: A Literature Review
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
This study provides a literature review of the simulation-based connected and automated intelligent-vehicle studies. Media and car-manufacturing companies predict that connected and automated vehicles (CAVs) would be available in the near future. However, society and transportation systems might not be completely ready for their implementation in various aspects, e.g., public acceptance, technology, infrastructure, and/or policy. Since the empirical field data for CAVs are not available at present, many researchers develop micro or macro simulation models to evaluate the CAV impacts. This study classifies the most commonly used intelligent-vehicle types into four categories (i.e., adaptive cruise control, ACC; cooperative adaptive cruise control, CACC; automated vehicle, AV; CAV) and summarizes the intelligent-vehicle car-following models (i.e., Intelligent Driver Model, IDM; MICroscopic Model for Simulation of Intelligent Cruise Control, MIXIC). The review results offer new insights for future intelligent-vehicle analyses: (i) the increase in the market-penetration rate of intelligent vehicles has a significant impact on traffic flow conditions; (ii) without vehicle connections, such as the ACC vehicles, the roadway-capacity increase would be marginal; (iii) none of the parameters in the AV or CAV models is calibrated by the actual field data; (iv) both longitudinal and lateral movements of intelligent vehicles can reduce energy consumption and environmental costs compared to human-driven vehicles; (v) research gap exists in studying the car-following models for newly developed intelligent vehicles; and (vi) the estimated impacts are not converted into a unified metric (i.e., welfare economic impact on users or society) which is essential to evaluate intelligent vehicles from an overall societal perspective.
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) | 0,001 | 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