A macroscopic dynamic network loading model using variational theory in a connected and autonomous vehicle environment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recent studies on macroscopic fundamental diagram (MFD) have shifted towards enhancing MFD dynamics in terms of efficiency and realism. In this paper, a multi-reservoir dynamic network loading (MRDNL) model for a large-scale urban road network is developed. The proposed framework consists of a hyper-link and a hyper-node model. The hyper-link model is constructed using variational theory (VT) by introducing a set of constraints that construct an upper bound for upstream and downstream cumulative accumulations. Using VT, LWR is incorporated into MFD dynamics to enhance traffic propagation at reservoirs. The hyper-link model captures important traffic phenomena, such as kinematic waves, queueing, and congestion, while the hyper-node model functions as a medium for transferring flow to other parts of the multi-reservoir urban network. A numerical scheme is advanced for solving the proposed MRDNL model and its performance is evaluated using a hypothetical traffic network. Compared to previous MFD-based dynamic network loading models, our approach is more computationally efficient since it does not require discretization and offers more realistic solutions by considering multiple kinematic waves and including the dynamics of urban traffic signals. This study, further, incorporated connected and autonomous vehicles (CAVs) into MFD dynamics and evaluated the network-wide effect of introduction of CAVs in urban traffic networks. For a network with 100% CAV market penetration rate, an approximate enhancement of 30% in total network outflow was found.
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.
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 | 0,001 | 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 découle