Platoon Intensity of Connected Automated Vehicles: Definition, Formulas, Examples, and Applications
Notice bibliographique
Résumé
The strength of connected automated vehicles (CAVs) clustering, namely, platoon intensity, has an essential impact on the traffic capacity, safety, and stability of the mixed traffic flow with CAVs and human-driven vehicles (HDVs). This article proposes the definition, formulas, examples, analysis, and applications of CAV platoon intensity. Firstly, the CAV platoon intensity considering the maximum platoon size is defined, and its mathematical calculation method is developed. Secondly, the three types of value ranges for platoon intensity are discussed. Thirdly, the distribution characteristics of five types of time headways were proposed. Finally, the influence of CAV platoon intensity on the fundamental diagram and traffic safety of mixed traffic flow are analyzed from theoretical derivation and simulation evaluation, respectively. The result suggests the following: (1) According to the sensitivity analysis, an optimal platoon size of 5 vehicles was suggested for the CAV platoon; (2) The penetration rates and platoon intensity of CAVs can improve the capacity of mixed traffic flow, and the increase is gradually more significant; (3) The effect of the increase in platoon intensity on the capacity is not significant enough when the CAV penetration rate is low; (4) A higher platoon intensity is good for dissipating disturbances in the mixed traffic flow; and (5) CAV platoon intensity has a marginal impact on the characteristics of mixed traffic flow with the low penetration rate. It is noteworthy that a reasonable increase in platoon intensity can improve the traffic capacity and safety of mixed traffic flow.
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 ».