Expansion of the Fundamental Diagram from a Microscopic Multilane Modeling Framework of Mixed Traffic
Notice bibliographique
Résumé
Microscopic modeling of mixed traffic (i.e., automaton-driven vehicles and human-driven vehicles) dynamics, particularly car-following, lane-changing, and gap-acceptance, provides the opportunity to gain a more accurate estimation of flow-density relationships for both traditional traffic with human-driven vehicles and different mixed traffic scenarios. Our paper proposes a microscopic framework to model multilane traffic for both vehicle types on shared roadways which sets the stage to explore the capability of macroscopic car-following models in general to explain the fundamental flow-density relationship. Since prior models inadequately represent the fundamental diagram realistically, we propose a rectified macroscopic flow model that can account for the impact of both lane-changing and gap-acceptance. Differentiability, boundary conditions, and flexibility of the proposed model are tested to validate its applicability. Finally, the capability to interpret the flow-density relationship by the proposed model is verified for different mixed traffic scenarios. Although few model parameter values were obtained directly from the simulation input, the rest of the parameters have been calibrated by flow and density outputs from the simulations. The analysis results show a distinct correlation between the proposed model parameters with automation-driven vehicle shares and lane-changing rates of traffic. The findings from this study emphasize the importance of taking complete motion dynamics into account, rather than partial motion dynamics (i.e., car-following) as has been the case in the previous studies, to explain macroscopic traffic flow characteristics, irrespective of the vehicle type.
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 ».