Impacts of Connected and Autonomous Vehicles with Level 2 Automation on Traffic Efficiency and Energy Consumption
Notice bibliographique
Résumé
Evaluating the economic benefits of traffic optimization from connected and autonomous vehicles (CAVs) and relevant traffic organization methods is significant, which will help to put forward suggestions for policymakers to promote the application of CAVs. The impacts and related benefits from CAVs with level 2 automation (L2 CAVs) on traffic efficiency and energy consumption of expressways are analyzed in this paper. Average travel time and actual road capacity are on behalf of traffic efficiency while average electric energy consumption is used to compute traffic energy consumption. The corresponding traffic economic benefits consist of travel-time-saving benefits, road construction benefits, and energy-saving benefits. A benefit evaluation framework is newly proposed and microscopic traffic simulation software is applied as the experiment platform. Different market penetration rates of L2 CAVs and various traffic flow statuses are considered. Besides, dedicated lanes for CAVs are also involved in this research, which are regarded as a traffic organization method expected to promote the realization of CAV’s traffic benefits. It is found that L2 CAVs can save the average travel time and reduce average energy consumption for a single vehicle in most scenes. However, negative impacts on energy consumption are observed in several scenes due to the increase of actual road capacity. Positive economic benefits are obtained as soon as the traffic flow rate is out of saturation, which become increasingly higher as CAV’s market penetration rate turns larger. Additionally, amplification in traffic economic benefits appears only if CAV lanes are provided under proper conditions.
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 ».