Macroscopic Traffic Flow Characterization for Stimuli Based on Driver Reaction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The design and management of infrastructure is a significant challenge for traffic engineers and planners. Accurate traffic characterization is necessary for effective infrastructure utilization. Thus, models are required that can characterize a variety of conditions and can be employed for homogeneous, heterogeneous, equilibrium and non-equilibrium traffic. The Lighthill-Whitham-Richards (LWR) model is widely used because of its simplicity. This model characterizes traffic behavior with small changes over a long idealized road and so is inadequate for typical traffic conditions. The extended LWR model considers driver types based on velocity to characterize traffic behavior in non lane discipline traffic but it ignores the stimuli for changes in velocity. In this paper, an improved model is presented which is based on driver reaction to forward traffic stimuli. This reaction occurs over the forward distance headway during which traffic aligns to the current conditions. The performance of the proposed, LWR and extended LWR models is evaluated using the first order upwind scheme (FOUS). The numerical stability of this scheme is guaranteed by employing the Courant, Friedrich and Lewy (CFL) condition. Results are presented which show that the proposed model can characterize both small and large changes in traffic more realistically. Doi: 10.28991/cej-2021-03091632 Full Text: PDF
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.
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 découle