Simulation Study of Autonomous Vehicles’ Effect on Traffic Flow Characteristics including Autonomous Buses
Notice bibliographique
Résumé
Autonomous vehicles are expected to revolutionize the transportation industry. The goal of this research is to study the heterogeneity in traffic flow dynamics by comparing different penetration rates of four different types of vehicles: autonomous cars (AC), autonomous buses (AB), manual cars (MC), and manual buses (MB). For the purpose of this research, a modified cellular automata (CA) model is developed in order to analyze the effect of heterogeneous vehicles (manual and autonomous). Previously, studies have focused on manual and autonomous cars, but we believe a gap in perception and analysis of mixed traffic still exists, as inclusion of other modes of autonomous vehicle research is very limited. Therefore, we have explicitly examined the effect of the AB on overall traffic flow. Moreover, two types of lane changing behavior (aggressive lane changing and polite lane changing) were also integrated into the model. Multiple scenarios through different compositions of vehicles were simulated. As per the results, if AB is employed concurrently with AC, there will be a significant improvement in traffic flow and road capacity, as equally more passengers can be accommodated in AB as AC is also anticipated to be used in carpooling. Secondly, when the vehicles change the lanes aggressively, there is a substantial growth in the flow rate and capacity of the network. Polite lane change does not significantly affect the flow rate.
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 ».