Optimal Mandatory Lane‐Changing Location Planning for CAV Based on Cell Transmission Model
Notice bibliographique
Résumé
If dedicate a lane to connected autonomous vehicle (CAV) on a multilane road, the traffic congestion and safety risks remain a major problem but in a different style. Random and disorderly mandatory lane‐changing behaviour before approaching the next ramp or intersection would have a disturbing effect on the following vehicles of the traffic flow. This paper mainly establishes the optimal mandatory lane‐changing location matching model for each target vehicle in the dedicated CAV lane environment. The aim is to minimizing the total travel time, which could take the disturbing effect into account. This model nests the cell transmission model (CTM) to describe vehicle running. The constraints include the relation between target CAV lane‐changing cell and the corresponding behaviour start time, the updating of the flow, and occupancy for varied cells. We use the Ant Colony Optimization (ACO) algorithm to solve the problem. Through the case study of a basic two‐lane road scenario in Ningbo, we acquire the convergence results based on the ACO algorithm. Our optimal lane‐changing location matching scheme can save 5.9% total travel time when compared to the near‐end location lane‐changing scheme. We test our model by increasing the total number of upstream input vehicles with 4%, 11%, 15%, and the mandatory lane‐changing vehicles with 60%, 200%, respectively. The testing results prove that out optimization method could deal with varied road traffic flow situations. Specifically, when the traffics and mandatory lane‐changing vehicles increase, our method could perform better.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».