Forecasting Travel Speed in the Rainfall Days to Develop Suitable Variable Speed Limits Control Strategy for Less Driving Risk
Notice bibliographique
Résumé
In order to reduce driving risk in the rainfall days, developing the variable speed limits (VSL) is effective. However, it is hard to develop suitable VSL aligning with travel speed of mainstream that it affected by the traffic flow, rainfall intensity, individual travel speed, peak hours, working days, random events, and so on. In this paper, the average travel speed and traffic flow of each road section are calculated from the toll collection data of Xi’an Ring Road from May to July in 2018 in Shaanxi Province, China. The weather data are collected and extrapolated to the corresponding road sections. Travel speed, traffic flow, and rainfall intensity are integrated to predict the fluctuation trend of travel speed through the proposed deep belief-radial basis function network. The experimental results show that a significant decrease happens in the travel speed in the rainfall day during peak hours. Furthermore, the deep learning algorithm that considers more factors such as the rainfall intensity and traffic flow could improve the prediction accuracy. Then, a VSL method and an expressway risk coefficient evaluation method based on estimation of average travel speed are proposed. The experimental results show that the variable 85th percentile speed limit method proposed in this paper can reduce the risk of expressway driving. This can promote road safety in the development of intelligent transportation system (ITS) in future.
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 | 0,001 | 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 ».