Achieving Energy-Efficient and Travel Time-Optimized Trajectory and Signal Control for CAEVs
Notice bibliographique
Résumé
Electric Vehicles (EVs) are cost-effective and widely recognized for their significant role in reducing greenhouse gas (GHG) emissions. However, concerns surrounding range anxiety and charge anxiety have hindered their widespread adoption. To address these concerns, traffic engineers have been working on developing control strategies to reduce energy consumption (EC). Unlike traditional gasoline-powered vehicles, EVs experience a notable increase in EC at speeds exceeding 25km/h. Consequently, minimizing EC often results in reduced speed and longer total travel time (TTT). In light of this, our paper proposes a novel trajectory and signal control method that leverages connected and automated vehicle (CAV) technology to realize a tradeoff between EC and TTT. Initially, the approach assumes all vehicles are connected and automated electric vehicles (CAEVs) capable of communication and coordination, to which a cooperative adaptive cruise control (CACC) model was applied. Then, the vehicles were controlled to avoid stops and achieve smoother trajectories at the intersections. Finally, the signal control was integrated to further reduce EC and TTT. The proposed method was evaluated with a simulation conducted in SUMO based on a busy corridor in the City of Edmonton, Canada. The developed method successfully balanced energy and traffic efficiency, reducing both EC and TTT by 14% and 38% respectively. More importantly, the computational burden of our method is considerably lighter compared to existing studies, making it highly suitable for real-time applications. Overall, the results presented in our study showcase the potential of achieving a more efficient and sustainable traffic system with the future existence of CAEVs.
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 ».