The Impact of Pedestrian and Nonmotorized Vehicle Violations on Vehicle Emissions at Signalized Intersections in the Real World: A Case Study in Beijing
Notice bibliographique
Résumé
Emission around intersections has become an issue in the urban traffic network. This paper aims to investigate the impact of pedestrian and nonmotorized vehicle violations on emissions at mixed-traffic flow intersection based on the volumes of vehicles, nonmotor vehicles, and pedestrians. Also, it focuses on the arterial and collector intersections with high vehicle volume and limited space. Running red light and crossing intersection diagonally are two critical violations, accounting for 91.75% of effective violations (interference with vehicles’ operation). In this context, a violation blocking model is developed to estimate the blocking probability for each vehicle based on the volumes of pedestrians and nonmotor vehicles. The model includes two scenarios. (1) Through phase: the violation blocking model of running red light is developed based on the survival curve (the relationship between waiting time and running red light probability). (2) Left-turn phase: the violation blocking model at this phase includes two parts: (i) crossing the intersection diagonally model is developed for the first vehicle and (ii) running red light model is developed for subsequent vehicles. The existing emission model can estimate the emissions based on the blocking positions. In the case study, emissions increase with the vehicle volume approaching the saturated flow rate and the volumes of nonmotor vehicles and pedestrians increasing. Results show that the maximum emission increase of CO (carbon monoxide) for through phase and left-turn phase can reach 16.7% and 36.4%.
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 | 0,001 |
| 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 ».