Evolution of Traffic Microsimulation and Its Use for Modeling Connected and Automated Vehicles
Notice bibliographique
Résumé
Traffic microsimulation has a functional role in understanding the traffic performance on the road network. This study originated with intent to understand traffic microsimulation and its use in modeling connected and automated vehicles (CAVs). Initially, the paper focuses on understanding the evolution of traffic microsimulation and on examining the various commercial and open-source simulation platforms available and their importance in traffic microsimulation studies. Following this, current autonomous vehicle (AV) microsimulation strategies are reviewed. From the review analysis, it is observed that AVs are modeled in traffic microsimulation with two sets of strategies. In the first set, the inbuilt models are used to replicate the driving behavior of AVs by adapting the models’ parameters. In the second strategy, AV behavior is programmed with the help of externalities (e.g., Application Programming Interface (API)). Studies simulating AVs with inbuilt models used mostly VISSIM compared to other microsimulation platforms. In addition, the studies are heavily focused on AVs’ penetration rate impact on traffic flow characteristics and traffic safety. On the other hand, studies which simulated AVs with externalities focused on the communication aspects for traffic management. Finally, the cosimulation strategies for simulating the CAVs are explored, and the ongoing research attempts are discussed. The present study identifies the limitations of present CAV microsimulation studies and proposes prospects and improvements in modeling AVs in traffic microsimulation.
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 ».