Exploring the Influence of Truck Proportion on Freeway Traffic Safety Using Adaptive Network-Based Fuzzy Inference System
Notice bibliographique
Résumé
The truck operation of freeway has an impact on traffic safety. In particular, the gradually increasing in truck proportion will inevitably affect the freeway traffic operation of different traffic volume. In this paper, VISSIM simulation is used to supply the field data and orthogonal experimental is designed for calibrate the simulation data. Then, SSAM modeling is combined to analyze the impact of truck proportion on traffic flow parameters and traffic conflicts. The serious and general conflict prediction model based on the Adaptive Network-based Fuzzy Inference System (ANFIS) is proposed to determine the impact of the truck proportion on freeway traffic safety. The results show that when the truck proportion is around 0.4 under 3200 veh/h and 0.6 under 2600 veh/h, there are more traffic conflicts and the number of serious conflicts is more than the number of general conflicts, which also reflect the relationship between truck proportion and traffic safety. Under 3000 veh/h, travel time and average delay increasing while mean speed and mean speed of small car decreases with truck proportion increases. The mean time headway rises largely with the truck proportion increasing above 3000 veh/h. The speed standard deviation increases initially and then fall with truck proportion increasing. The lane-changing decreases while truck proportion increasing. In addition, ANFIS can accurately determine the impact of truck proportion on traffic conflicts under different traffic volume, and also validate the learning ability of ANFIS.
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 ».