PID‐Based Freeway Work Zone Merge Control with Traffic State Prediction under Mixed Traffic Flow of Connected Automated Vehicles and Manual Vehicles
Notice bibliographique
Résumé
During road work, lane closures significantly reduce road capacity and negatively impact traffic safety in the upstream segments. This study introduces a merge control strategy for the work zone on freeway that aims to alleviate severe congestion and improve flow efficiency in environments where manual vehicles (MVs) and connected automated vehicles (CAVs) coexist. Using a short‐term prediction model combined with a proportional‐integral‐derivative (PID) controller, this strategy dynamically adjusts merging behavior based on real‐time traffic conditions. The PID controller calculates error values as the difference between current and target states, adjusting responses through proportional, integral, and derivative terms. The predictions of the traffic state based on the density of open lanes in each segment guide the controller’s decision to initiate a “Merge” or “No Merge” guidance. When merging is deemed necessary, the controller estimates the optimal number of vehicles to merge for each segment, using the severe congestion threshold as a reference point. This approach was tested using a microscopic simulation tool on a calibrated real‐world network under mixed traffic conditions. The results indicate that the proposed strategy effectively disperses merging upstream, increases merging speeds, and maintains lane density below critical congestion levels, thus enhancing operation efficiency and safety in work zone areas.
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 ».