MétaCan
Menu
Retour à la cohorte
Enregistrement W3000083557 · doi:10.1155/2020/1291342

Research on Decision-Making Behavior of Discretionary Lane-Changing Based on Cumulative Prospect Theory

2020· article· en· W3000083557 sur OpenAlexvenueno aff
Xueqin Long, Lian-Cai Zhang, Shanshan Liu, Jianjun Wang

Notice bibliographique

RevueJournal of Advanced Transportation · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic control and management
Établissements canadiensnon disponible
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesChang'an University
Mots-clésCumulative prospect theoryPreferenceDuration (music)Computer scienceSensitivity (control systems)EconometricsOrder (exchange)Decision modelRisk aversion (psychology)Operations researchExpected utility hypothesisEngineeringMathematicsEconomicsStatistics

Résumé

récupéré en direct d'OpenAlex

In this paper, the decision-making model of discretionary lane-changing is established using cumulative prospect theory (CPT). Through analyzing the vehicles’ dynamic running states, safety spacing calculating approaches for discretionary lane-changing and lane-keeping have been put forward firstly. Then, based on CPT, a lane-changing decision model with accelerating space as its utility is proposed by estimating the difference between actual spacings and the safety spacings for discretionary lane-changing as well as lane-keeping. In order to calculate the utility of discretionary lane-changing, dynamic reference points and a parameter representing driver’s risk preference are introduced into the model. With the real data collected from an urban expressway, the distribution of discretionary lane-changing duration is analyzed, and the model parameters are also calibrated. Furthermore, the applicability of the model is evaluated by comparing with the actual observation and random unity model. Finally, the sensitivity analysis of the model is carried out, that is, assessing the influence degree of each variable on the decision result. The study reveals that the CPT-based model can describe discretionary lane-changing behavior more accurately, which consider drivers’ risk-aversion during decision-making.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,893
Score d'incertitude au seuil0,306

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,310
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetTraffic control and managementTravaux en français237 207