Exploring Heterogeneity in Car-Following Behaviors Based on Driver Visual Characteristics: Modeling and Calibration
Notice bibliographique
Résumé
To investigate the heterogeneity of car-following behaviors across different vehicle combinations from the perspective of driver visual characteristics, the NGSIM dataset from I-80 and US-101 highways was selected and distinct car-following segments were extracted for analysis. Firstly, all the effective vehicle trajectories were extracted and categorized into different vehicle types based on their widths, resulting in four combination types of car-following segments. Visual angle and its change rate were introduced as variables representing driver visual characteristics. Additionally, one-way analysis of variance (ANOVA) was used to compare these variables with traditional ones. The driver’s visual characteristic variables were then incorporated to improve the full velocity difference (FVD) model. Genetic algorithms were employed to calibrate the model under different car-following types, revealing pronounced behavioral variations. After implementing the enhanced drivers’ visual angle (DVA) model, substantial reductions in calibration and validation errors were observed, with calibration errors decreasing by 51.93% and 42.22% and validation errors decreasing by 56.61% and 45.26%. This indicates the DVA model’s remarkable adaptability and stability. Lastly, through a sensitivity analysis of errors, the DVA model demonstrated greater robustness toward the improved error evaluation function. By integrating drivers’ visual characteristics, this study provides in-depth insights into heterogeneous car-following behaviors, enhancing our understanding of driver behaviors and micro-traffic simulation systems.
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 ».