Calibrating Car-Following Models on Urban Streets Using Naturalistic Driving Data
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
Car-following models serve an important role in gaining a thorough understanding of traffic flow and driving behavior characteristics. By analyzing these characteristics, the models are critical to microscopic traffc simulation, and consequently, to traffic safety. However, lack of reliable traffic data in China has, until recently, limited the use of car-following models. As the Shanghai Naturalistic Driving Study (SH-NDS) has now made such data accessible, car-following models have been built for freeways and urban expressways, but none have yet been developed for urban streets. To compare car following for the three road types and to determine the best model for urban streets, five commonly used car-following models were calibrated and validated with 5,500 urban street-level car-following events extracted from the 161,055 km of data collected in the SH-NDS. The models were evaluated based on their parameter estimates and root mean square percentage errors (RMSPE). Results show that (1) the intelligent driver model (IDM), with a calibration error of 24% and a validation error of 28%, performed best in modeling drivers’ car-following behavior on urban Shanghai streets; and (2) in comparison to previous car-following research on Chinese freeways and urban expressways, drivers on urban streets tend to assume a relatively lower car-following speed, and maintain slightly larger time headway and maximum acceleration. Because the IDM demonstrated great performance on expressways, freeways, and urban streets in China, it is reasonable to assume the model may show similar performance when used to analyze car following in other countries.
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 | 0,000 | 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 | 0,001 |
| 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 découle