Investigating Combined Impact of Adverse Road-Weather Conditions and Heavy Vehicles on Saturation Headway
Notice bibliographique
Résumé
Adverse road-weather (RW) conditions make driving behavior more conservative and the headway during saturated conditions longer, leading to a significant reduction in the capacity of signalized intersections. Past studies indicate that the degree of the influence of adverse RW conditions on intersection performance changes by heavy vehicle (HV) ratio in traffic flow. However, little is known about the combined impacts of adverse RW conditions and HV ratio on saturation headway and how they can be considered in the planning of signalized intersections in areas with long winter. To fill this research gap, in this study the saturation headway data for over 2,000 signal cycles were extracted from video recordings at two signalized intersections in Winnipeg, Canada. The combined impacts of adverse RW conditions and HV ratios are statistically investigated in the paper with due focus given to saturation headway distributions and models. To account for differences in vehicle type, passenger car equivalent and headway distributions are evaluated under different RW conditions. The analysis findings suggest that the saturation headways increased by up to 38.7% as a result of adverse RW conditions. The multiple regression analyses incorporating HV ratios quantify the relationship between saturation headway and various sets of explanatory variables covering adverse RW conditions and roadway geometric factors. The model estimation results reveal that HVs are less sensitive to RW conditions than passenger vehicles. Overall, the study findings will help in designing signalized intersections under adverse RW conditions with various HV ratios.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».