Operating Speed Prediction Models by Vehicle Type on Two-Lane Rural Highways in Indian Hilly Terrains
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
The present study aims to develop vehicle type-wise operating-speed prediction (OSP) models for heterogeneous traffic on two-lane rural highways in Indian hilly terrains. For the present study, 27 curves with varying geometric characteristics located along the National Highway (NH-953) connecting Netrang and Rajpipla in the western state of Gujarat, India, were selected. Speed data were collected using radar guns at three curve locations (entry point, midpoint, and exit point) in each travel direction for three dominant types of vehicles: motorized two-wheelers (2W), cars, and heavy commercial vehicles (HCVs). OSP models were developed for different vehicle types at three curve points using the backward elimination stepwise regression (BSR) technique. The results revealed that the preceding curve point’s operating speed, curve length, and tangent length positively affected operating speed. In contrast, deflection angle, curve sharpness, and grade had adverse effects. The curve geometric characteristics had the most negligible impact on the operating speed of 2W and a significant effect on HCV. Among all the curve-related aspects, curve length was the most significant variable and affected the speed of all three vehicle types, followed by curve sharpness. Further, the developed OSP models were applied to the other hilly terrain to check the transferability of the model. As an important outcome, the developed OSP models were used to evaluate geometric design consistency. This highlights the need for geometric and traffic-calming measures to improve highway operating-speed consistency and driver safety.
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