Leveraging Dynamic Right-of-Way Allocation and Tolling Policy for CAV Dedicated Lane Management to Promote CAV and Improve Mobility
Notice bibliographique
Résumé
With the capability of communicating with surrounding vehicles and infrastructures, connected and automated vehicles (CAVs) can safely drive closer with reduced headway, thereby potentially improving traffic efficiency. However, their superiority is compromised in the mixed traffic environment because of the interruption of human-driving vehicles (HDVs). In this circumstance, researchers proposed to physically separate CAVs and HDVs by deploying CAV-dedicated lanes (CAV-DLs). Nevertheless, the CAV-DLs may be underutilized, especially in low CAV penetration rate (PR) cases which may even reduce traffic efficiency. To solve this problem, two novel strategies were proposed in our study to better manage the CAV-DLs and magnify the benefit of CAVs: The first one is to dynamically allocate the right-of-way for CAV-DLs based on the predicted CAV-DLs’ effective utilization rate so that the HDVs can be allowed to use the dedicated lanes when they are not adequately occupied. The second strategy is motivated by the economic instrument, which allows HDVs to use the CAV-DLs by paying a toll. The toll is determined by the travel time difference between CAV-DL and general lane (GL), and these tolls can be utilized as subsidies to stimulate drivers to purchase CAVs for promoting their adoption. The two strategies were evaluated using the case study designed based on the network of Edmonton downtown area in Canada, and the results demonstrated that both methods can significantly reduce travel time. Besides, the two strategies were compared comprehensively in terms of their effectiveness and policy enforceability, which can provide some guidance for both traffic policymakers and practitioners.
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 ».