A Formally Integrated Adaptive Speed Management for Proactive Traffic Safety
Notice bibliographique
Résumé
The emergence of connected autonomous vehicles (CAVs) represents a key development in the quest to enhance traffic safety. CAVs hold significant promise for improving traffic safety and have great potential to contribute to transportation sustainability. However, their safety depends on the accuracy of the programmed rules and algorithms that guide their decision-making process. This article introduces an adaptive traffic management system that integrates a formal traffic safety rule defined by pre-established bounds for Traffic Conflict Techniques. This system enables dynamic speed adjustments for vehicles violating the traffic safety rule to prevent potential collisions. To evaluate the effectiveness of our approach, we study a traffic flow on the SR528 highway in Orlando, Florida, and analyze the behavior of each vehicle in traffic based on extracted traffic safety indicators such as time-to-collision and space headway. This analysis is performed by the traffic safety rule to identify violating vehicles, and the speed update is achieved through the integration of the computer algebra system Mathematica and a micro-simulation tool called SUMO. Our study aims to improve the safety and efficiency of the traffic flow by combining simulation, TCTs analysis, and semi-formal tools like Mathematica to aid in the decision-making process of vehicles during traffic events, particularly shockwaves. Preliminary results demonstrate the efficacy of our approach in mitigating the impact of shockwaves. After applying the speed update, we observe an increase in time-to-collision and space headway. This indicates improved safety and reduced likelihood of collisions. Our findings highlight the potential of adaptive traffic management systems to enhance transportation safety and efficiency.
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 ».