Collaborative Strategies and Simulation of Vehicle Group Behaviors for Off-Ramp Areas
Notice bibliographique
Résumé
With the increase of vehicle ownership and the rapid growth of urban traffic, the problem of congestion in the off-ramp area of the main expressway has become the main factor restricting overall section efficiency and inducing traffic accidents. This paper focuses on the problem of group collaborative lane-changing behaviors of off-ramp vehicles and through vehicles in off-ramp areas and proposes four kinds of vehicle group collaborative strategies based on different road space balance conditions. According to a three-lane expressway scene, a VISSIM-based simulation model is built and the optimization scheme is simulated and evaluated. The simulation results show that with the increase of traffic flow in off-ramp areas, a flow-balance strategy for downstream lanes where off-ramp vehicles merge with the outside lane in advance is more advantageous. When vehicles are leaving the main road, if traffic flow is heavy, the flow-balance strategy for lanes where off-ramp vehicles merge with the outside lane in advance (for example, the proportion of off-ramp vehicles in three lanes is 0 : 0 : 1) is better; otherwise, when the traffic flow on the main road is relatively small, the flow-balance strategy for lanes where off-ramp vehicles are distributed in lanes with different ratios (e.g., 1 : 3 : 6) is better. What is more, for future traffic management in connected vehicle environments, it can be concluded that collaborative vehicle lane-changing strategies with different traffic flow states can help to enhance traffic efficiency.
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 ».