Impact of Buses, Taxis, Passenger Cars, and Traffic Infrastructure on Average Travel Speed
Notice bibliographique
Résumé
It is known that many variables influence traffic, yet very little is known about the weight of each factor in the dynamics of traffic in cities of developing countries, in many cases due to their peculiar traffic regulations. In this work, we search for the variables that have the most significant impact on the average travel speed of three distinct types of vehicles: passenger cars, taxis, and buses. First, we developed a tool featuring algorithms that simulate ordinary overtaking and car-following behaviors, along with controls for setting vehicles’ actions, particularly buses’ and taxis’ stops. Then, we chose a particular zone to study, based on its common geometry and the particular traffic infrastructure (speed bumps, traffic lights, and bus stops) inside it. Later on, three experiments were carried out, with the following results. (1) Both the buses’ arrival frequency and curbside bus stops affect the passenger cars’ average travel speed. The buses’ response was affected by the bus bay and curbside bus stops. The buses’ speed tendency influenced neither the passenger cars’ nor buses’ response. (2) Taxis’ arrival frequency, stopping frequency, and speed tendency were found to influence the passenger cars’ response. Taxis’ response was altered by taxis’ speed tendency, while buses’ response was affected by taxis’ arrival frequencies. (3) The number of speed bumps, the arrival frequency of passenger cars, and their speed conditions (homogeneous and heterogeneous) affect the passenger cars’ response. We expect that the findings presented in this study, along with the recommendations made from the results, may pave the way for better road design public policies.
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 ».