Research on Graded Lane Changing in Undersea Tunnel Exit Diversion Zones: Application of Set Pair Analysis and TOPSIS Method for Evaluation
Notice bibliographique
Résumé
Owing to undersea‐tunnel constraints concentrating off‐ramp maneuvers in confined zones, this study optimizes graded lane‐changing strategies to mitigate collision risks. Using the Jiaozhou‐Bay Undersea Tunnel case, we propose an innovative exit diversion area graded lane‐changing strategy comprising Transition Section I, Transition Section II, gradient section, and auxiliary lane. Six schemes were simulated via UC‐WinRoad, with driver physiological stress quantified through Tobii eye‐tracking as a novel application of pupil dynamics. Four indicators—lane‐change position, lane‐change rate, pupil diameter, and speed change—were weighted by the integrated analytic hierarchy process and entropy weight method (AHP–EWM) methodology and evaluated via the set pair analysis with the technique for order preference by similarity to ideal solution (SPA‐TOPSIS) theory model. Optimal Scheme E (290‐m transition I, 210‐m transition II, 120‐m gradient, and 140‐m auxiliary lane) achieved γ = 0.968, significantly reducing pupil fluctuation by 32% compared with the shortest design (Scheme A) while ensuring smoothest speed control. This demonstrates effective conflict distribution in high‐risk undersea environments, providing universally applicable design benchmarks for tunnel safety enhancement.
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 | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».