Accommodation of Freeway Merging in Environment of Mixed Vehicle Technologies
Notice bibliographique
Résumé
The connected autonomous vehicle (CAV) is the most significant breakthrough in the automobile industry since the wide adoption of automobiles as a mode of transportation.These vehicles can respond faster, drive more precisely within their lane, and keep gaps shorter than driver-operated vehicles (DVs).Therefore, they can improve traffic operations and reduce collisions resulting from human errors.However, shorter gaps on the freeway right lane (FRL) can create difficulty for on-ramp vehicles to merge onto the freeway.In addition, there is a transition period from all DVs to all CAVs.As a result, there would be a mixed traffic environment including DVs and CAVs, which might necessitate different merging management strategies.This study proposes eight possible solutions to address the merging problems by providing acceptable gaps or resolving the conflicts between merging and mainline vehicles in a mixed traffic environment.These strategies are then evaluated based on different measures to determine which merging solution is most effective for each traffic condition.Average travel times and the capacity drop are used as traffic performance measures, while safety measures include the percentage of vehicles with low merging speed (VLMS) and probability of non-compliance (PNC) of merging manoeuvre.The behaviour of CAVs and performance merging strategies are modelled using Vissim v2020, internal programing, and a MATLAB program.The simulation results indicate that when the CAV penetration rate is between 0% and 100%, most proposed strategies outperform the base condition of do-nothing.The traffic performance changes depending on the CAV penetration rate and the type of traffic management strategy.iii The results of the safety measure for most strategies based on the VLMS index indicate that at low traffic volumes, increasing CAV penetration rate reduces VLMS, thereby improving safety.At high traffic volume, some strategies such as dissolving platoons and ramp metering show better performance.For the PNC measure, most strategies have lower PNC and better expected safety performance than the base strategy.Furthermore, increasing the CAV penetration rate reduces PNC.Finally, a regression analysis between PNC and the existing collision database demonstrated a correlation between PNC and collision frequency.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».