Impact of Automated Truck Platooning on the Performance of Freeway Mixed Traffic Flow
Notice bibliographique
Résumé
Vehicle platooning service through wireless communication and automated driving technology has become a reality. Vehicle platooning means that several vehicles travel like a train on the road with a minimum safety distance, which leads to the enhancement of safety, mobility, and energy savings. This study proposed a framework for exploring traffic mobility and safety performance due to the market penetration rate (MPR) of truck platoons based on microscopic traffic simulations. A platoon formation algorithm was developed and run on the VISSIM platform to simulate automated truck maneuvering. As a result of the mobility analysis, it was found that the difference in network mobility performance was not significant up to MPR 80%. Regarding the mobility performance of the truck-designated lane, it was found that the average speed was lower than in other lanes. In the truck-designated lane of the on-ramp section, the average speed was identified to be approximately 33% lower. From the viewpoint of network safety, increasing the MPR of the truck platoon has a positive effect on longitudinal safety but has a negative effect on lateral safety. The safety analysis of the truck-designated lane indicated that the speed difference by lane of MPR 100% is 2.5 times higher than that of MPR 0%. This study is meaningful in that it explores traffic flow performance on mobility and safety in the process of platoon formation. The outcomes of this study are expected to be utilized as fundamentals to support the novel traffic operation strategy in platooning environments.
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 ».