A Hierarchical Control Framework for Coordinating CAV‐Dedicated Lane Allocation and Signal Timing at Isolated Intersections in Mixed Traffic Environments
Notice bibliographique
Résumé
With the rapid development of connected and automated vehicles (CAVs), numerous studies have demonstrated that CAV‐dedicated lanes (CAV‐DLs) can significantly enhance traffic efficiency. However, most existing studies primarily focus on optimizing either CAV trajectory planning or traffic signal control, and the integration of CAV‐DLs and signal control for improved spatiotemporal resource utilization remains underexplored. To address this challenge, this study proposes a hierarchical control framework that integrates CAV‐DLs allocation with signal control. The framework employs two collaborative agents based on the dueling double deep Q‐network (D3QN) algorithm. The upper‐level agent recommends optimal CAV‐DLs configurations based on long‐term traffic flow patterns, while the lower‐level agent focuses on real‐time signal control by adjusting signal parameters and green time allocations in response to current traffic demand. Simulation results demonstrate that the proposed model effectively adapts to dynamic traffic conditions, significantly improving intersection capacity and reducing delays. Compared with benchmark approaches, the model achieves an average improvement of 31.8% in traffic efficiency. Additionally, the study identifies CAV penetration rate (CAV PR) thresholds of 30% and 60% as appropriate for allocating one and two CAV‐DLs, respectively, at intersections with high traffic volumes. These findings provide valuable theoretical insights and practical guidance for the effective configuration of CAV‐DLs in future traffic systems.
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 ».