<i>Highway Capacity Manual</i> Capacity Adjustment Factor Development for Connected and Automated Traffic at Signalized Intersections
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Connected and automated vehicles (CAVs) will potentially improve transportation system performance. Guidance on the capacity impact of CAVs at different market penetration rates (MPRs) will help agencies to incorporate the effects of CAVs when planning and designing roadways. Traditionally, practitioners have used the Highway Capacity Manual (HCM) to assess capacity and evaluate the quality of service for various facilities and systems. Although several studies have provided insight into the capacity benefits of CAVs, there is a need for quantified CAV effects that can be used to develop HCM guidance. In this study, the capacity benefits of CAVs at signalized intersections were estimated, and capacity adjustment factors (CAFs) were developed for the HCM. The researchers considered variations in CAV gap/headway settings, platoon lengths, turning movement types (through and left), and left-turn phasing modes (protected versus permitted). Microscopic traffic simulation was used to model CAVs. The results showed that performance indicators such as saturation headway gradually improved with increases in CAV MPR, resulting in up to 40% capacity increase at 100% MPR for the protected movements. For permitted left turns, up to 45% capacity increase could be achieved at 100% MPR. This increase in permitted left-turn capacity can be attributed to vehicle-to-vehicle (V2V) communication, which provides advanced information on available gaps in conflicting traffic and reduced follow-up headway time both for permitted left turns and the opposing through movement. Based on the capacity results, this study provides CAF tables for CAVs that can be easily integrated into the HCM and used for planning-level guidance by practitioners.
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.
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 découle