Differential variable speed limits to improve performance and safety of car-truck mixed traffic on freeways
Notice bibliographique
Résumé
This study develops a differential variable speed limit (DVSL) which assigns different speed limits for car and truck, and varies speed limits based on traffic conditions. The proposed DVSL algorithm changes speed limits in real time based on truck percentage and occupancy immediately upstream of the ramp and the average speed of the control road sections upstream of the ramp. DVSL algorithm also considers spatial coordination of speeds, which gradually changes the speed limits in successive road sections upstream of the ramp when the severe congestion occurs. The study tested the impacts of DVSL and three other speed limit strategies on delay and safety for a section of the Gardiner Expressway in Toronto, Canada using the VISSIM traffic simulation model. The other strategies are 1) uniform speed limit (USL), 2) differential speed limit for car and truck (DSL), and 3) USL & DSL (U&D) – i.e., USL at low truck percentage and DSL at high truck percentage. It was found that DVSL showed the lowest delays for both car and truck among the four strategies. This is mainly because DVSL increased the spacing between vehicles in the right lane upstream of the on-ramp and facilitated vehicles' merging into the mainline freeway. It was also found that DVSL showed the lowest likelihood of rear-end crash between the lead and following vehicles among the four strategies. This study demonstrates that the proposed DVSL algorithm can better control car and truck speeds to reduce delay and improve safety of car-truck mixed traffic flow on freeways.
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 ».