An Improved Car-Following Speed Model considering Speed of the Lead Vehicle, Vehicle Spacing, and Driver’s Sensitivity to Them
Notice bibliographique
Résumé
This paper introduces an improved car-following speed (CFS) model that simultaneously considers speed of the lead vehicle, vehicle spacing, and driver’s sensitivity to them. Specifically, the proposed model extends the Helbing-Tilch model and Yang et al. model developed based on the principle of grey relational analysis where vehicle spacing is considered as the primary factor contributing to car-following speed choices. A computational experiment is conducted for model calibration using vehicle spacing, speed, and acceleration data derived from vehicle trajectory data of the Next Generation Simulation (NGSIM) project sponsored by the Federal Highway Administration (FHWA). It shows that speed of the lead vehicle and vehicle spacing significantly affect speed of the lag vehicle. Further, model validation is carried out using an independent NGSIM dataset by comparing vehicle speed predictions made by the calibrated CFS model with Helbing-Tilch model and Yang et al. model as benchmarks. Compared with speed prediction results of the benchmark models, mean relative errors, root mean square errors, and equal coefficient of speed predictions of the CFS model have reduced by 72.41% and 61.85%, 70.14% and 57.99%, and 33.15% and 14.48%, respectively. The findings of model validation reveal that the CFS model could improve the accuracy of speed predictions in the car-following process.
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 | 0,000 |
| 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 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 ».