Optimizing Road Networks for Automated Vehicles with Dedicated Links, Dedicated Lanes, and Mixed-Traffic Subnetworks
Notice bibliographique
Résumé
This study focuses on network configurations to accommodate automated vehicles (AVs) on road networks during the transition period to full automation. The literature suggests that dedicated infrastructure for AVs and enhanced infrastructure for mixed traffic (i.e., AVs on the same lanes with conventional vehicles) are the main alternatives so far. We utilize both alternatives and propose a unified mathematical framework for optimizing road networks for AVs by simultaneous deployment of AV-ready subnetworks for mixed traffic, dedicated AV links, and dedicated AV lanes. We model the problem as a bilevel network design problem where the upper level represents road infrastructure adjustment decisions to deploy these concepts and the lower level includes a network equilibrium model representing the flows as a result of the travelers’ response to new network topologies. An efficient heuristic solution method is introduced to solve the formulated problem and find coherent network topologies. Applicability of the model on real road networks is demonstrated using a large-scale case study of the Amsterdam metropolitan region. Our results indicate that for low AV market penetration rates (MPRs), AV-ready subnetworks, which accommodate AVs in mixed traffic, are the most efficient configuration. However, after 30% MPR, dedicated AV lanes prove to be more beneficial. Additionally, road types can dictate the viable deployment plan for certain parts of road networks. These insights can be used to guide planners in developing their strategies regarding road network infrastructure during the transition period to full automation.
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 ».