Influence of Lane Policies on Freeway Traffic Mixed with Manual and Connected and Autonomous Vehicles
Notice bibliographique
Résumé
Connected and autonomous vehicles (CAVs) have become the highlights of traffic. Researchers in this field have proposed various traffic management measures to enhance the capacity and efficiency of traffic with CAVs, especially mixed traffic of CAVs and manual vehicles (MVs). Exclusive lane setting is included. However, exclusive lane policy-related researches for mixed traffic of CAVs and MVs were very limited, and the influence of number and location of exclusive lanes on the mixed traffic was unclear. To fill this gap, this paper aims to study the influence of different exclusive lane policies on mixed traffic and provide recommended lane policies under various traffic volumes and CAV penetration rates. Freeways with two lanes and three lanes in a single direction were taken into consideration, and sixteen lane policies were proposed. Then different lane policies were simulated with a new proposed cellular automata (CA) model, and properties including flux, average speed, and CAVs degradation were analyzed to evaluate the traffic efficiency of each lane policy. The results show that CAV exclusive lanes can improve the capacity, while MV exclusive lanes seem helpless for capacity improvement. Seven lane policies, including GC, GM, and CM for two-lane freeways and GCG, CGC, and CCM for three-lane freeways, outperform the others in terms of average speed. In addition, exclusive lanes can reduce the probability that CAVs degenerate to AVs. Our findings may help to optimize freeways’ lane policies and improve the efficiency of heterogeneous traffic mixed with CAVs and MVs.
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 ».