Traffic Equilibrium for Mixed Traffic Flows of Human-Driven Vehicles and Connected and Autonomous Vehicles in Transportation Networks under Tradable Credit Scheme
Notice bibliographique
Résumé
In this paper, the traffic equilibriums for mixed traffic flows of human-driven vehicles (HDV) and connected and autonomous vehicles (CAV) under a tradable credit scheme (TCS) are established and formulated as two variational inequality (VI) problems with exogenous and endogenous CAV penetration rate, respectively. A modified Lagrangian dual (MLD) method embedded with a revised Smith’s route-swapping (RSRS) algorithm is proposed to solve the problems. Based on the numerical analysis, the impacts of CAV penetration and the extra expense of using a CAV on network performance are investigated. A novel driveway management, autonomous vehicle/credit charge (AVCC) link, is put forward to improve the efficiency of TCS. Under the TCS with exogenous CAV penetration rate, a logit-based model is applied to describe the stochastic user equilibrium for mixed traffic flow. It is found that the penetration of CAV gives rise to a better network performance and it can be further improved by the deployment of AVCC link. Under the TCS with endogenous penetration rate, a nested-logit model is applied to describe travelers’ choices of vehicle types and routes. It is found that the deployment of AVCC links can slow down the decline rate of CAV penetration with increasing expense and thus ensure a lower average travel time for CAVs. In both cases, the deployment of AVCC links can stimulate credit trading and drop down its unit price.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».