Driver Behavior Performance at Freeway Exit Ramp Terminals: Investigation and Modeling
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
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.
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 découle