Calibration and Validation of Psychophysical Car-Following Model Using Driver’s Action Points and Perception Thresholds
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 develops a method of calibrating and validating the Wiedemann car-following model using vehicle trajectory data. Unlike sensitivity analysis and optimization, this method conforms to the assumptions of the original Wiedemann 99 model related to drivers’ car-following behavior. Eight calibration constants (CCs) of the model were estimated using the vehicle trajectory data from a section of the US-101 freeway in Los Angeles, California. CC1 (desired time gap from lead vehicle) and CC2 (maximum change in spacing) were determined from the observed maximum and minimum spacing between the lead and following vehicles with similar speeds. CC4 and CC5 (minimum relative velocity at which the driver starts decelerating and accelerating, respectively, with short spacing of the lead vehicle or so-called action points) and CC6 (effect of spacing on these action points) were determined using a segmented linear regression model. This model provided the estimated relative velocities at which the speed of a following vehicle changed in response to a lead vehicle using constant acceleration/deceleration. It was found that the absolute values of CC4 and CC5 were not the same, which indicates that drivers are more sensitive to lead vehicles in the closing process than the opening process. CC7 was calculated as the mean difference in constant accelerations of lead and following vehicles. CC8 was calculated as the mean acceleration of all vehicles 1 s after the vehicles increased from slow speeds (<5.5 km/h). Moreover, CC9 was calculated as the mean acceleration for speeds between 79.5 and 80.5 km/h. The traffic simulation with the estimated CCs in this study better reflected the observed speed distributions and action points than simulations with CCs estimated in previous studies using the same trajectory data.
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) | 0,000 | 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 découle