Analyzing Speed Disparity in Mixed Vehicle Technologies on Horizontal Curves
Notice bibliographique
Résumé
Vehicle technologies are rapidly evolving due to their multidimensional advantages. Different vehicle technologies like connectivity and automation on the same roads with the driver-controlled vehicles in an environment of mixed vehicle technologies may increase speed disparity. Previous studies have indicated that speed disparity measures and traffic collisions are inextricably related. Therefore, identifying the relationships between speed distribution measures of different vehicles and road geometry can help identify instances of speed disparity resulting from mixed vehicle technologies and identify the effectiveness of potential countermeasures. This research used speed prediction models in three different regions to analyze the speed behaviour of connected vehicles (CVs), automated vehicles (AVs) and vehicles with no connectivity or automation (NCVs) on horizontal curves on freeways and major arterials. Safety Pilot Model Deployment (SPMD) dataset in Michigan, USA were used to model CV speed behaviour at various points on horizontal curves in major arterials and freeways. Because the data involved repeated trips by same drivers in their instrumented vehicles, LME modelling was utilized in model development. In addition, speed data collected on major arterials and freeways in Ontario, Canada, using instrumented NCVs were used to develop similar LME models for NCVs. This research also used AVs speed prediction model available in the literature to model the speed behaviour of AVs on horizontal curves in Spain. A methodology is then presented to estimate speed disparity measures on horizontal curves with no control and with different control strategies or countermeasures. The results indicated that the mixed vehicle environment can cause the combined standard deviation of all vehicles (σ_c) to considerably increase on arterials and freeways under no control, which would in turn increase the collision experience. Countermeasures were proposed, which showed the potential in reducing σ_c and reduce the negative safety impacts of the mixed vehicle environment. Sensitivity analysis confirmed that speed compliance rates of the driver operators of CVs and NCVs with the speed advisories in the proposed countermeasures have insignificant impact on the speed disparity measure σ_c.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».