Differential Congestion Pricing Strategies for Heterogeneous Users in the Mixed Traffic Condition
Notice bibliographique
Résumé
Congestion pricing is one effective demand management strategy to alleviate traffic congestion. This work investigates pricing schemes for mixed traffic flow systems where the human-driven vehicles (HVs) and autonomous vehicles (AVs) coexist. The emerging and integration of autonomous vehicles can help improve the overall transportation efficiency and safety. Given the coexistence of HVs and AVs in the near future, there is need to adjust the existing traffic management strategies to adapt to the mixed traffic conditions. In this study, congestion pricing is imposed on the HVs and the AVs differently, that is, a distance-based toll to the HVs while a delay-based toll to the AVs. We consider six user groups based on the value of time (VOT) and the vehicle types. Compared with the unified distance-based toll, the advantage of delay-based toll is demonstrated first. Then, a surrogate-based optimization framework, namely the regressing Kriging (RK) model, is formulated. Three pricing schemes are investigated and compared: equity-oriented (EQ), environment friendliness-oriented (EN), and revenue-oriented (RE) schemes. Results show that the RE scheme collects the highest revenues; however, its cost-efficiency is weakened. The EQ scheme reduces the variance in the average travel costs among user groups, thus solving the equity issue.
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 ».