A Collaborative Control Framework: Achieving Emergency Vehicle Priority While Minimizing Negative Impact on Ordinary Vehicles at Signalized Intersection
Notice bibliographique
Résumé
When an emergency vehicle (EV) passes through an isolated signal intersection, it is crucial to ensure the efficient passage of the EV while minimizing the negative impact on ordinary vehicles (OVs), particularly in high‐traffic flow scenarios. Given the constraints on temporal and spatial resources within intersection areas, OVs ahead of EV often face challenges in finding safe gaps for giving way, resulting in significant obstructions to OVs. This research introduces a novel collaborative control framework to jointly optimize dynamic emergency lane settings and signal schemes, considering EV priority and OVs benefits for a single signalized intersection. Firstly, we propose a dynamic emergency lane control algorithm to help obstructed EV in roadway segments by extending and reallocating temporal and spatial resources for vehicles. Then, we establish a collaborative control model considering EV priority and OVs benefits. Assigning the highest priority to the emergency priority phase, this model optimizes signal schemes to prevent interphase conflict, taking into account OVs benefits. Finally, our collaborative control framework also employs an Eco‐Driving algorithm for the optimization of OV speed to reduce fuel consumption. The case study results reveal that in comparison to other baseline methods, our proposed model significantly reduces EV travel time, simultaneously lowering the travel time and fuel consumption of OVs. Sensitivity analysis of varying traffic flow scenarios reveals that, as vehicle volumes increase, our proposed method demonstrates more pronounced reductions in both EV and OV travel time. In addition, there is a progressive increase in the proportion of dynamic emergency lane utilization, with activation occurring at earlier locations.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».