Speed development at freeway curves based on high frequency floating car data
Notice bibliographique
Résumé
Road designers need to have insights where deceleration and acceleration are expected related to the position of the curve, and in in which amount so that drivers are able to safely decelerate and accelerate respectively into and out of a freeway curve. For this, empirical speed data is needed. Therefore, Floating Car Data in 153 curves in The Netherlands were collected at a resolution of 1 Hz and were filtered on free-flow periods, to analyse over 800 thousand unique continuous free-flow speed observations on these curves. Regression models were developed to predict speed development, including deceleration and acceleration behaviour upon entering and exiting freeway curves. The models rely on easy to generate geometric design variables, including the start and end position of the horizontal curve, the horizontal radius and the number of lanes. Using these variables, the designer can predict the speed development based on the 85th percentile of speed and acceleration, relative to the position of the curve. The regression models reveal strong goodness-of-fit of the predicted 85th percentiles of speed in a curve, showing acceleration and deceleration inside the curve, and higher predicted 85th percentile speeds than the design speeds. The models also show satisfying results in speed development prediction in sets of consecutive curves with different characteristics, as well as deceleration when entering a first curve and acceleration when exiting a last curve. These insights are valuable in evaluating road design in relation to traffic safety based on its predicted use.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».