Exploring the Stability and Capacity Characteristics of Mixed Traffic Flow with Autonomous and Human-Driven Vehicles considering Aggressive Driving
Notice bibliographique
Résumé
With the popularization of autonomous vehicle (AV) technology, mixed traffic flows that consist of AVs and human-driven vehicles (HDVs) will appear in the real world. Although many studies of the features of mixed traffic flow have been carefully evaluated, few studies have focused on the effect of aggressive driving performance on mixed traffic flow. This study aims to develop an approach to evaluate the effects of aggressive driving on the stability and capacity performance under the conditions of AV and HDV mixed traffic flow. First, since a car-following model can describe the relationship between vehicles, we calibrate a car-following model for aggressive driving and nonaggressive driving behaviors based on real traffic data and previous research results. Then, in a mixed traffic flow environment, a basic linear stability formula and capacity calculation expression are developed that consider the effects of vehicle order on the capacity. Finally, because the proportion of aggressive driving and aggressive driving parameters may change, nine combinations of three aggressive driving proportions and three driving parameter cases are used for the sensitivity analysis. The results indicate that the effect of aggressive driving on mixed traffic flow is complex. When the proportion of aggressive driving is less than 35%, the increase in the proportion of aggressive driving increases the traffic capacity and reduces the unstable part. However, when the proportion of aggressive driving is greater than 35%, the increase in the proportion of aggressive driving increases the unstable part. When the penetration rate of AVs exceeds 0.490, mixed traffic flow remains stable at all aggressive driving proportions. In addition, the capacity of a mixed traffic flow may be improved as the penetration rate of AVs increases. To a certain extent, these conclusions provide a theoretical basis for formulating different management modes of AVs and HDVs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».