Safety Benefits of Automated Speed Advisory Systems at Signalized Intersections
Notice bibliographique
Résumé
Human-driving behavior at signalized intersections may lack efficiency because drivers try to reach their desired speed without the upcoming traffic-signal information. This causes idling time, sharp accelerations, hard braking, traffic congestion, emissions, and energy consumption. Connected vehicles, for example those equipped with a speed advisory system (SAS), can provide prior information to drivers for optimizing their driving behavior while approaching signalized intersections. However, the current literature focuses only on the fuel consumption, emissions, and travel-delay reduction impacts of SASs. This paper evaluates the safety impact of SAS vehicles using the proposed approach that simulates mixed-traffic situations between SAS and human-driven vehicles (HDVs). HDVs in the model follow real vehicle trajectories based on car-following conditions. The study investigates various scenarios including the impact of the different ranks of SAS vehicles in the vehicle group, the lane-changing possibility, and market penetration rates (MPRs). The results suggest that SAS vehicles can reduce rear-end collision risks from 25% MPR. The minimum time to collision increases by 1.2 s and the deceleration rate to avoid crash declines by 0.3 [Formula: see text] on average for 100% MPR relative to 0%. The study demonstrated that this safety benefit is also strongly related to the rank of SAS vehicles within a vehicle group. In addition, the conflict locations in the approaching lane gradually move away from the intersection up to where the communication range starts as the MPR increases, which would reduce abrupt vehicle speed changes near pedestrian crosswalks.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».