Driver Behavior Performance at Freeway Exit Ramp Terminals: Investigation and Modeling
Notice bibliographique
Résumé
Understanding how drivers exit freeways and interact with deceleration speed-change lanes (SCL) and ramp controlling features is important for adequate design of exit ramp terminals that meet drivers’ expectations and needs. Therefore, this paper investigates drivers’ diverging behavior along exit ramp terminal segments, including freeway right lane (FRL), SCL, and ramps based on video-based trajectory data collected using unmanned aerial vehicles (UAVs). Trajectories of 3,259 vehicles were collected at six sites as the vehicles moved on the FRL or SCL and off-ramp. Diverging behavior measures, including diverging speed, diverging location, deceleration rate on SCL, SCL utilization, and speeds at ramp gore nose and end of the SCL, were then extracted and used for the qualitative and quantitative analysis. The qualitative analysis showed that drivers exiting a freeway at taper-type SCLs tended to start deceleration on the FRL, which impacted the speeds of nonexiting vehicles. On the other hand, this behavior was not evident at parallel-type SCLs. Additionally, drivers were found to adopt a single overall deceleration rate from the diverge point to the end of deceleration. Finally, observations of data confirmed the importance of accounting for the effects of ramp controlling features on the diverging behavior and vehicle deceleration needs at freeway exit ramp terminals. The paper suggests that the design of deceleration SCLs should take into consideration the effect of ramp controlling features in the design of deceleration SCLs.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».