Illegal Maneuver Effect on Traffic Operations at Signalized Intersections: An Observational Simulation-Based Before-After Study Using Response Surface Methodology
Notice bibliographique
Résumé
This study investigates three illegal maneuvers at signalized intersections: pedestrians jaywalking at signalized crosswalks (JSC), vehicles stopping near the intersections (SNI), and vehicles occupying the through lane instead of the left-turn lane to make a left turn (OTL). Traffic microsimulation models of four intersections were developed using Aimsun, and data were collected by a drone over a 3-hour period. The car-following model (Gibbs model) implemented in Aimsun was calibrated for each of the intersections and validated at the 95% confidence level. The validated Aimsun models were used to perform 13 experiments designed to investigate the interaction effects of decreasing two or more illegal maneuvers on travel time and fuel consumption. These 13 experiments were identified using the design of experiments D-optimality criterion. To investigate the main and interaction effects of decreasing two or more illegal maneuvers on travel time and fuel consumption, the response surface methodology (RSM) was used. Using RSM, the statistical model that was found to best fit the simulation results was a quadratic form. The results showed that the dependent variables “travel time ratio” and “fuel consumption ratio” are affected not only by a decrease in violations ratio but also by the volume of traffic as the exogenous variable. It was found that decreasing two of the violations, namely, JSC and SNI, improves travel time and fuel consumption but decreasing OTL has the opposite effect, resulting from the inadequate design of left-turning lane length/capacity and/or inadequate signal timing to accommodate left-turning volume.
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 | 0,001 | 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 | 0,001 |
| 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 ».