Research on Mandatory Lane-Changing Behavior in Highway Weaving Sections
Notice bibliographique
Résumé
As the accident-prone sections and bottlenecks, highway weaving sections will become more complicated when it comes to the mixed-traffic environments with connected and automated vehicles (CAVs) and human-driven vehicles (HVs). In order to make CAVs accurately identify the driving behavior of manual-human vehicles to avoid traffic accidents caused by lane changing, it is necessary to analyze the characteristics of the mandatory lane-changing (MCL) process in the weaving area. An analytical MCL method based on the driver’s psychological characteristics is proposed in this study. Firstly, the driver’s MLC pressure concept was proposed by leading in the distance of the off-ramp. Then, the lane-changing intention was quantified by considering the driver’s MLC pressure and tendentiousness. Finally, based on the lane-changing intention and the headway distribution of the target lane, an MLC positions probability density model was proposed to describe the distribution characteristics of the lane-changing position. Through the NGSIM data verification, the lane-changing analysis models can objectively describe the vehicle lane-changing characteristics in the actual scenarios. Compared with the traditional lane-changing model, the proposed models are more interpretable and in line with the driving intention. The results show significant improvements in the lane-changing safe recognition of CAVs in heterogeneous traffic flow (both CAVs and HVs) in the future.
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 ».