A Microscopic Traffic Model to Investigate the Effect of Connected Autonomous Vehicles at Bottlenecks and the Impact of Cyberattacks
Notice bibliographique
Résumé
Bottlenecks reduce both traffic safety and efficiency, resulting in congestion and collisions. The introduction of connected autonomous vehicles (CAVs) has had a significant impact on road networks and can improve traffic efficiency at bottlenecks. This paper proposes a microscopic traffic model to investigate CAV behavior at bottlenecks and examine the effect of cyberattacks. The model is developed using data collected from a roadside sensor node. It is implemented in MATLAB using the Euler scheme to simulate a platoon of vehicles on a circular road of length 1 km. The performance is compared with the intelligent driver (ID) model. The results obtained indicate that the road capacity with the proposed model is 1.4 times higher than with the ID model. Further, the proposed model results in nearly constant speeds with small variations, which is realistic. Conversely, the ID model produces large speed variations that are unrealistic. In addition, the proposed model results in less acceleration and deceleration, which leads to lower vehicle emissions and pollution. The efficiency is better than with the ID model due to CAV communication and coordination, so queues dissipate faster. The traffic flow with the proposed model increases as the density decreases, which is consistent with traffic dynamics. It is also shown that the proposed model can characterize CAV behavior under cyberattacks that cause disruptions in the data. Thus, it can be employed for traffic control and forecasting when bottleneck conditions exist and there is malicious behavior.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».