Modeling Lane Changes at Freeway On‐Ramps With a Novel Car‐Following Model Based on Desired Time Headways
Notice bibliographique
Résumé
The traffic flow at freeway on‐ramps is influenced not only by the lane changes made by merging vehicles but also by the longitudinal behavior of the merging vehicles and vehicles in the main lane. Existing car‐following models are not suitable to represent the longitudinal behavior during merging because they are based on the idea that vehicles intend to reach a steady state, that is, constant time headway and zero speed difference, as soon as possible. At on‐ramps, however, merging vehicles have time to reach this steady state until they reach the end of the on‐ramp. We therefore derive a novel car‐following model based on desired time headways that is able to represent this continuous adaptation toward a steady state. From this car‐following model, we derive a lane change model for freeway on‐ramps with seven parameters. The lane change model includes a leader selection algorithm, which enables merging vehicles to pass or be passed by vehicles in the main lane. The model also includes components to predict the lane change start time based on surrogate safety measures and to describe the lateral behavior during the lane change. Due to the resemblance to car‐following models, the methodology to calibrate the lane change model at the microscopic scale can be adopted from car‐following models. To validate the model, we conduct traffic simulations and compare the simulated traffic flow with trajectory data from two German freeway on‐ramps. The results show that the model accurately represents the longitudinal driving behavior of merging vehicles and their followers, although it slightly overestimates the number of merging vehicles passing a vehicle in the main lane under congested traffic conditions. The simulations yield accurate headway distributions, except in cases of very risky driver behavior, and realistically capture the macroscopic speed‐density relationship at the on‐ramp.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».