Investigating the impacts of connected vehicle technology on the flow of trucks at the busiest Canada-U.S. border crossings
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Truck traffic at international land border crossings is not well studied. • The Canada-U.S. land border crossing is one of the busiest in the world. • Vehicle-to-vehicle and Vehicle-to-infrastructure scenarios are simulated. • A DTA model is used to simulate the movement of trucks from Canada to the U.S. • V2V and V2I will improve the performance of truck traffic flows at the border. Land-border crossings between Canada and the United States facilitate the movement of approximately 59 % of the goods traded between the two countries. Consequently, these border facilities experience heavy truck traffic daily. While connected vehicle technology have attracted attention in recent years, there has been no attempts to assess its impacts on truck traffic performance at international land borders. This paper addresses the issue by developing and applying a microscopic traffic simulation model for connected trucks. Scenarios depicting the movement of trucks between Canada and the U.S. through the two busiest border crossings (i.e., Windsor and Sarnia), are simulated in the presence of V2V and V2I technologies with the help of a dynamic traffic assignment. The simulation results suggest that truck traffic becomes more streamlined with up to 7 % of all trucks switching to the Sarnia crossing under a 100 % V2V scenario when a delay incident is present on the corridor leading to Windsor. Also, average time delay at the Windsor crossing under extended delay conditions spanning over a course of 8 h at this crossing is reduced by 30 % (i.e., delay dropped from 5 h to 3.5 h) when V2I technology is utilized.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| 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 découle