Incorporating Behavioral Adaptation of Human Drivers in Predicting Traffic Efficiency of Mixed Traffic: A Case Study of Priority T-Intersections
Notice bibliographique
Résumé
As automated vehicles (AVs) are increasingly being deployed on our road network, it becomes important to understand how human drivers interact with them in mixed traffic. This research investigates how mixed traffic factors affect human-driven vehicles (HDV) gap acceptance behavior at a priority T-intersection. Using a driving simulator, four scenarios were tested by varying AV driving style (less defensive, more defensive, and HDV-like) and AV recognizability (distinguishable or not from HDVs). Gap acceptance models were estimated based on the collected trajectory data. These models were then implemented in SUMO, a microscopic traffic simulation platform, where a T-intersection network was set up. Simulation runs varied based on AV driving style, recognizability, penetration rate of AVs (0-75% in 25% increments), and whether HDV behavioral adaptation was considered. The minor road had only traffic composed of HDVs, while the major road had both AVs and HDVs (i.e., mixed traffic). Vehicle delay and queue length on the minor road were used as performance indicators to evaluate the effect of mixed traffic, on the travel efficiency of minor road vehicles. The results indicate that minor road vehicle delays increase with higher AV penetration rates in traffic on the major road. Recognizable and less defensive AVs causes more delays for minor road vehicles compared to other scenarios. Ignoring behavioral adaptation led to a delay underestimation of up to 75% for minor road vehicles. In conclusion, there is a behavioral adaptation in gap acceptance of HDVs in mixed traffic environments. This is affected by AVs recognizability, the driving style of AVs, and their penetration rate. Taking into account the behavioral adaptation is essential for accurately assessing traffic efficiency in mixed traffic conditions. This will help to direct policy decisions related to AVs recognizability and driving style and about infrastructural interventions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».