Data-Driven Approach for Modeling the Nonlane-Based Mixed Traffic Conditions
Notice bibliographique
Résumé
The diverse nature of vehicle categories and the resultant lane discipline in mixed (heterogeneous) traffic cause complex spatial interactions. As a result, the driving behavior process in mixed traffic conditions is meaningfully different, where both longitudinal and lateral movements of the vehicles continuously occur. Under prevailing homogeneous traffic conditions in developed countries, driving behavior is partially discrete, where following longitudinal behavior and outboard lane-change models can model traffic behavior. However, the established car-following and lane-change models cannot be directly used in shaping mixed traffic conditions. Such conditions also warrant the use of high-quality microlevel vehicular trajectory data. Accordingly, realizing this need, vehicular trajectory data for different traffic flow conditions were developed. The data were used to extract the parameters required for modeling the vehicles’ positions using machine learning algorithms. Three established supervised machine learning algorithms (k-NN, random forest, and regression tree) and deep learning are selected to model mixed traffic conditions. The parameters which influence longitudinal and lateral movements are identified using Spearman correlation analysis. Furthermore, simulation runs are performed using the python language. The performance of the algorithms is evaluated both at the microscopic and macroscopic levels using relevant traffic indicators. The results show that a deep learning model and k-NN tend to replicate better-mixed traffic conditions than random forest and regression trees.
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 ».