MétaCan
Menu
Retour à la cohorte
Enregistrement W4381687052 · doi:10.1155/2023/9744737

Vehicle Trajectory Control and Signal Timing Optimization of Isolated Intersection under V2X Environment

2023· article· en· W4381687052 sur OpenAlexvenueno aff
Yazhu Zou, Moyan Li, Jiabo Guo, Enjian Yao, Rongsheng Chen

Notice bibliographique

RevueJournal of Advanced Transportation · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic control and management
Établissements canadiensnon disponible
Organismes subventionnairesBeijing Jiaotong University
Mots-clésHeadwaySignal timingTrajectoryIntersection (aeronautics)SIGNAL (programming language)Trajectory optimizationControl theory (sociology)AccelerationSimulationComputer scienceTraffic flow (computer networking)Optimal controlEngineeringReal-time computingControl (management)Mathematical optimizationTraffic signalMathematicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This study proposes a two-level optimization model system for vehicle control and signal timing at isolated signal intersections under the mixed traffic flow environment composed of intelligent connected autonomous vehicles (CAVs) and connected human-driven vehicles (CHVs), to minimize the energy consumption and vehicle delay at intersections. The proposed two-layer optimization model is composed of a two-layer vehicle trajectory control model and a fuzzy control signal timing optimization model. The two-layer vehicle trajectory control model includes a signal-oriented vehicle trajectory control model and a car-following oriented vehicle trajectory control model. The former calculates expected acceleration and speed commands at each time step according to the coming signal information, to help vehicle pass the closest signal intersection without stopping during the green light interval; the latter uses the variable headway (VTH) strategy to follow the preceding vehicle by maintaining a safe distance. A microscopic simulator based on SUMO is developed to test the performance of the proposed optimization algorithm. In the simulation experiment, with the driving characteristics of CHV drivers considered, the results show that our model performs well under a CAV penetration rate of 30%–60% and under small or moderate levels of traffic flow. The average waiting time of vehicles is reduced by about 25% compared with the uncontrolled scheme. Under the condition of penetration rate of 60%, the average energy consumption of vehicles in the proposed model is 17.56% lower than that of the uncontrolled scheme. In addition, the proposed model reduces by 21.94% compared with the scheme of only controlling vehicles. When the traffic flow is at a low or medium level, the average energy consumption and waiting time of vehicles are reduced by nearly 35% with the proposed model.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,380
Score d'incertitude au seuil0,276

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,186
Écart entre enseignants0,181 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetTraffic control and managementTravaux en français237 207