The Impact of Three Specific Collaborative Merging Strategies on Traffic Flow
Notice bibliographique
Résumé
On-ramps are considered to be one of the common traffic bottlenecks. In order to improve the operation efficiency of on-ramps, scholars worldwide have proposed various vehicle merging strategies. In this study, we designed different rules to express three collaborative strategies and studied their impact on on-ramp systems. Cellular automata models were used to simulate the systems under different situations, and the average speed and traffic flow rate of both the main roads and ramps were analyzed. The results show that (1) all the three merging strategies give excessive “priority” to the merging vehicle, leading to a severe reduction in the traffic performance of the main road; (2) nevertheless, these strategies have different effects on the entire system with a one-lane or two-lane main road. Due to the lane-changing behavior, the system with a two-lane main road has more advantages than that featured with a one-lane road, making the former system performing better than the latter under the same strategies; (3) the vehicles on the ramp and main road affect each other, and as the vehicle entering probabilities become large, the traffic flow rate on the main road decreases whereas that on the ramp increases. However, the effect is not unlimited, the flow rate on both roads finally reaches a stable level (forming a “platform”); and (4) large values of the merging safety distance parameter decrease the flow rate of the entire system. All the previous results provide a deep understanding of the impact of the three merging strategies on traffic flow, contributing to the design of on-ramp systems that have better operation efficiency and low levels of congestion.
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 ».