A Two-Level Model for Traffic Signal Timing and Trajectories Planning of Multiple CAVs in a Random Environment
Notice bibliographique
Résumé
Connected and automated vehicles (CAVs) trajectories not only provide more real-time information by vehicles to infrastructure but also can be controlled and optimized, to further save travel time and gasoline consumption. This paper proposes a two-level model for traffic signal timing and trajectories planning of multiple connected automated vehicles considering the random arrival of vehicles. The proposed method contains two levels, i.e., CAVs’ arrival time and traffic signals optimization, and multiple CAVs trajectories planning. The former optimizes CAVs’ arrival time and traffic signals in a random environment, to minimize the average vehicle’s delay. The latter designs multiple CAVs trajectories considering average gasoline consumption. The dynamic programming (DP) and the General Pseudospectral Optimal Control Software (GPOPS) are applied to solve the two-level optimization problem. Numerical simulation is conducted to compare the proposed method with a fixed-time traffic signal. Results show that the proposed method reduces both average vehicle’s delay and gasoline consumption under different traffic demand significantly. The average reduction of vehicle’s delay and gasoline consumption are 26.91% and 10.38%, respectively, for a two-phase signalized intersection. In addition, sensitivity analysis indicates that the minimum green time and free-flow speed have a noticeable effect on the average vehicle’s delay and gasoline consumption.
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 ».