MétaCan
Menu
Retour à la cohorte
Enregistrement W4391768481 · doi:10.1109/itsc57777.2023.10421929

The Impact of Truck Platooning on Traffic Flow Considering Bridge Safety Index

2023· article· en· W4391768481 sur OpenAlexaff
Amir Hossein Karbasi, Mingsai Xu, Haifeng He, Steven Budisa, Hao Yang, Cancan Yang

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic Prediction and Management Techniques
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésTruckBridge (graph theory)Index (typography)Traffic flow (computer networking)Transport engineeringComputer scienceAutomotive engineeringFlow (mathematics)EngineeringComputer securityMathematicsMedicine

Résumé

récupéré en direct d'OpenAlex

Truck platooning has the potential to revolutionize freight transportation by enhancing traffic flow and fuel efficiency. However, as the truck platoons roll out, they will be disruptive to the safety of existing highway bridges. This study focuses on addressing these concerns and ensuring the safe passage of platoons across bridges while examining their impact on traffic flow. To accomplish this challenge, the study proposes a novel method that utilizes the bridge safety index to search for the optimal configuration to operate truck platoons. The performance of the bridge safety and traffic flow with truck platoons is evaluated with microscopic traffic simulation. The evaluation indicates that reducing the space headway between vehicles and increasing the platoon size can improve bridge traffic flow rates. Additionally, the study highlights the influence of speed on traffic flow, revealing that increasing the speed generally improves traffic flow, except when it reaches 70 km/h. Considering the limitations of bridge safety, the optimal traffic flow can be increased by up 124% when compared with the roads without platooning and bridges. This emphasizes the substantial impact that truck platooning has on the dynamics of traffic flow.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,011
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,016
Tête enseignante GPT0,249
Écart entre enseignants0,234 · 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 source (Gemma direct ou Codex distillé), 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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetTraffic Prediction and Management TechniquesTravaux en français237 207