Quantitative Evaluation of the Impacts of the Time Headway of Adaptive Cruise Control Systems on Congested Urban Freeways Using Different Car Following Models and Early Control Results
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 impact of driving automation and adaptive cruise control (ACC) on traffic performance has been increasingly studied in recent years. This paper focuses on two widely used ACC car following models and investigates the impact of the time headway parameter on traffic operation and performance on one of the busiest freeway corridors in Ontario, Canada. Using Aimsun microsimulation, we compare two commonly used ACC car following models; the intelligent driver model (IDM) and Shladover’s model which has been recently adopted in Aimsun Next 20. Several experiments have been conducted to evaluate the freeway performance for different desired headway settings and market penetration rates of ACC-equipped vehicles. Simulations results confirm the reported IDM drawbacks of having a slow response leading to headway errors which are less pronounced with Shladover’s model thereby leading to more accurate quantification by the latter. This study further presents a simple on-off ACC-based traffic control strategy which aims to adapt in real time the driving behavior of ACC-equipped vehicles to the prevailing traffic conditions so that freeway performance is improved. The simulation results demonstrate that, even for low penetration rates of ACC vehicles, the proposed control concept improves the average network throughput, delay, and speed compared to the case of only manually driven or uncontrolled ACC vehicles.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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