Modeling and Simulation of Traffic Congestion for Mixed Traffic Flow with Connected Automated Vehicles: A Cell Transmission Model Approach
Notice bibliographique
Résumé
Connected automated vehicles (CAVs) can significantly shorten the headway of car following, thereby effectively improving the traffic capacity and injecting new power to alleviate traffic congestion. To investigate the congestion characteristics of mixed traffic flow with CAVs and human-driven vehicles (HDVs), this paper proposes a cell transmission model to capture and simulate traffic congestion for mixed traffic flow. Firstly, the Newell, adaptive cruise control (ACC), and cooperative adaptive cruise control (CACC) models are adopted to capture the car-following behavior of different vehicles. Secondly, the fundamental diagram under different penetration rates of CAVs is derived based on car-following models. Then, the cell transmission model (CTM) of mixed traffic flow is developed based on the classical CTM and fundamental diagram of mixed traffic flow. Finally, two simulation methods, mixed traffic flow CTM and micro-simulation, are designed to verify the effectiveness of the proposed model. Moreover, taking the moving bottleneck on the expressway as an example, the congestion characteristics of mixed traffic flow are analyzed using multiple indexes, such as average travel speed, congestion delay, and congestion scale. The results show the following: (i) CAVs can significantly alleviate traffic congestion, (ii) the duration of the bottleneck is positively correlated with the degree of traffic congestion, and (iii) The traffic congestion assessment results under different model parameters slightly differ, but the impact is negligible.
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 ».