Development and Evaluation of Connected-Vehicle-Enabled Optimal Dynamic Path Planning with Bus Stops
Notice bibliographique
Résumé
The frequent stops of transit buses significantly block lanes on roads and generate vehicle queues behind. The passenger cars traveling behind buses may be stuck in the queues and miss the green light in the downstream intersection. They will be very tempted to make lane changes to avoid the stopping vehicles efficiently. However, without knowing the information of bus stations and traffic signals, it is very difficult and dangerous for the queued vehicles to make lane changes at last minute. In this paper, an optimal dynamic path planning system will be developed to assist passenger cars avoid buses so as to improve their mobility on local roads. The system utilizes connected vehicles to receive stop information, including times, duration, and locations, of buses, and the signal timing information from intersections. The information is applied to predict the delay of connected vehicles caused by the buses and intersections. The system also estimate optimal paths for the target vehicles to make lane changes and overpass the buses and the downstream intersection to minimize its travel time delay. In this paper, both synthetic and realistic examples are designed with microscopic traffic simulations to evaluate the performance of the proposed system. The results indicate that the travel time delay for connected vehicles can be reduced by up to 35%. In addition, a sensitivity analysis of the market penetration rates of connected vehicles and demand levels is conducted to understand the benefits and reliability of the system under different stages of the connected environment.
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 | 0,006 | 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 | 0,001 |
| 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 ».