A Mixed Equilibrium Model and Optimal Path Platooning Method for CAV Platoons in Heterogeneous Traffic Flow
Notice bibliographique
Résumé
As the emergence of the connected and autonomous vehicles (CAVs), the platooning technology is believed to play a key role in the future intelligent transportation system. However, current studies mainly focus on the beneficial sides of CAV platoons, and less attention is given to their negative effects. This study develops a mixed equilibrium model for CAV platoons and human-driven vehicles (HDVs), which consider both the positive and negative sides of CAV platooning. On the positive side, CAV platoons are assumed to follow user equilibrium (UE) route choice for their information advantages, while HDVs to follow stochastic user equilibrium (SUE). CAV platoons are also presumed to improve the road capacity. On the negative side, the speed of CAV platoons is slower than that of HDVs for safety stakes, which will impede the latter to overtake. The HDVs is split up into overtaking and nonovertaking flows with different speeds. Furthermore, the model is built up as a mixed UE-SUE equilibrium problem and reformulated as a nonlinear complementarity problem. In addition, an optimal path platooning method is proposed to reduce the negative effects, by integrating travel costs of both CAV platoons and HDVs into its objective function. Numerical results show that the introduction of CAV platoons may increase the travel cost at the initial stage, and the proposed method can effectively reduce the platooning disturbance, thus helps promoting the wider applications of CAV platoons.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».