A probabilistic approach to calculate capacity of signalized intersections with a red light camera
Notice bibliographique
Résumé
SUMMARY In recent years, red light cameras (RLCs) have been installed at many signalized intersections. The main reason behind installing RLCs is to reduce intersection‐related accidents caused because of a driver's behavior to cross the intersection when the signal turns red. By nature, if the driver is aware of the presence of RLC his or her driving behavior is bound to change. This behavioral change, however, may be intentional or unintentional. This may influence the utilization of yellow intervals resulting in a possible increase in dilemma zone, which in turn, may reduce the service capacity of the intersection. To accurately capture this capacity reduction, we present a probabilistic approach to modify the saturation flow rate formula in the Highway Capacity Manual that is currently used to calculate the capacity of signalized intersections. We introduce a new factor in the saturation flow rate calculation called red light reduction factor, to account for the capacity reduction owing to RLCs. Using field data from Baltimore, Maryland, we establish a relationship for the red light reduction factor. We then show that capacity of RLC‐equipped intersections is generally lower than that without RLCs. Although the percentage reduction in capacity of a single intersection may not seem significant, the cumulative impact of such reduction in a heavily traveled road network may be quite significant, resulting in significant loss in travel time. In future works, the systemwide capacity reduction owing to the presence of RLCs can be studied in congested transportation networks. Copyright © 2012 John Wiley & Sons, Ltd.
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 ».