An Automated Framework for Lane Closure Detection on Highway Using Connected Vehicle Data and Machine Learning Models
Notice bibliographique
Résumé
Lane closures on highways present significant challenges, including traffic disruptions, increased crash risks, and economic losses. The traditional methods, which use primarily manual reporting or sensor‐based methods, can be error‐prone, inefficient, and costly. This study introduces an innovative real‐time lane closure detection approach using connected vehicle (CV) data and machine learning techniques. Our methodology analyzes CV data metrics such as speed variations and lateral waypoint positioning relative to road reference lines, comparing these across road segments with and without closures. We employ two machine learning models—support vector machines (SVMs) and k‐nearest neighbors (K‐NN)—trained on features extracted from these metrics to detect lane closures and provide insights into location and time of start and end. This research was extended to encompass the entire state of Iowa, utilizing annual data to comprehensively assess lane closure detection capabilities across diverse geographical and traffic conditions, demonstrating its potential for scalability and broader implementation. Challenges encountered during state‐wide implementation were addressed, proposing practical solutions to mitigate them. A visual dashboard was also developed to validate the models’ accuracy in detecting lane closures, aiding informed decision‐making by DOT officials and other stakeholders. Our research highlights potential applications, including scalable solutions for accurate lane closure detection, driver alerts in connected cars, crash risk analysis, and support for naturalistic driving studies in lane closures. This data‐driven method offers a cost‐effective, real‐time alternative to conventional detection methods. By advancing lane closure detection methods, this paper contributes to enhancing road safety and optimizing traffic management and catalyzes the evolution of autonomous vehicle technologies within modern transportation 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 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».