Impact of Mixed-Vehicle Environment on Speed Disparity as a Measure of Safety on Horizontal Curves
Notice bibliographique
Résumé
Due to the transition of vehicle fleets from conventional driver-operated vehicles (DVs) to connected vehicles (CVs) and/or automated vehicles (AVs), vehicles with different technologies will soon operate on the same roads in a mixed-vehicle environment. Although a major goal of vehicle connectivity and automation is to improve traffic safety, negative safety impacts may persist in the mixed-vehicle environment. Speed disparity measures have been shown in the literature to be related to safety performance. Therefore, speed disparity measures are derived from the expected speed distributions of different vehicle technologies and are used as surrogate measures to assess the safety of mixed-vehicle environments and identify the efficacy of prospective countermeasures. This paper builds on speed models in the literature to predict the speed behavior of CVs, AVs, and DVs on horizontal curves on freeways and major arterials. The paper first proposes a methodology to determine speed disparity measures on horizontal curves without any control in terms of speed limit. The impact of speed limit or advisory speed, as a safety countermeasure, is modeled and assessed using different strategies to set the speed limit. The results indicated that the standard deviation of the speeds of all vehicles (σc) in a mixed environment would increase on arterial roads under no control compared to the case of DV-only traffic. This speed disparity can be reduced using an advisory speed as a safety countermeasure to decrease the adverse safety impacts in this environment. Moreover, it was shown that compared to the practice of a constant speed limit based on road classification, the advisory speed is more effective when it is based on the speed behavior of various vehicle types.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».