The Impact of Automated Vehicles on Traffic Flow and Road Capacity on Urban Road Networks
Notice bibliographique
Résumé
Automated vehicles (AVs) are believed to have great potential to improve the traffic capacity and efficiency of the current transport systems. Despite positive findings of the impact of AVs on traffic flow and potential road capacity increase for highways, few studies have been performed regarding the impact of AVs on urban roads. Moreover, studies considering traffic volume increase with a mixture of AVs and human-driven vehicles (HDVs) have rarely been conducted. Therefore, this study investigated the impact of gradual increments of AV penetration and traffic volume on urban roads. The study adopted a microsimulation approach using VISSIM with a Wiedmann 74 model for car-following behavior. Parameters for AVs were set at the SAE level 4 of automation. A real road network was chosen for the simulation having 13 intersections in a total distance of 4.5 km. The road network had various numbers of lanes from a single lane to five lanes in one direction. The network consists of a main arterial road and a parallel road serving nearby commercial and residential blocks. In total, 36 scenarios were investigated by a combination of AV penetrations and an increase in traffic volumes. The study found that, as AV penetration increased, traffic flow also improved, with a reduction of the average delay time of up to 31%. Also, as expected, links with three or four lanes had a more significant impact on the delay. In terms of road capacity increase, when the penetration of AVs was saturated at 100%, the road network could accommodate 40% more traffic.
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 ».