Modeling Car-Following Behaviour of Turning Movements at Intersections with Consideration of Turning Radius
Notice bibliographique
Résumé
In order to deeply analyze and describe the characteristics of car-following behaviour of turning vehicles at intersections, the features and application conditions of classic car-following models were analyzed firstly. And then, through analysing the relationship between the maximum velocity of car-following vehicles and the turning radius of intersection, the differences in key variables between turning and straight car-following behaviour were identified. On the basis of Optimal Velocity (OV) model, a Turning Optimal Velocity (TOV) car-following model with consideration of turning radius and sideway force coefficient at intersections was developed. PreScan simulation was employed to build the scene of turning car-following process at an intersection. Based on linear stability analysis, the stability conditions of the TOV model were derived. And it was found that (1) the turning radius has a significant effect on the car-following behaviour of turning vehicles at intersections; (2) with the increase of the distance between vehicles, the driver’s response sensitivity coefficient increases and then decreases and reaches the maximum value when the distance reaches the minimum safe distance; (3) with the increase of turning radius, the stability of the car-following fleet tends to decrease, and it is more likely to become a stop-and-go traffic flow. In addition, the numerical simulation results indicate that the TOV model can describe the car-following behaviour of turning vehicles more accurately with consideration of turning radius. The findings of this study can be used in the development of microscopic traffic simulation software and for improving traffic safety at intersections.
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 ».