Feasibility of Computer Vision-Based Safety Evaluations
Notice bibliographique
Résumé
Traditional road safety analysis has often been undertaken with historical collision records. However, limitations on the quality and completeness of collision data gave rise to surrogate ways of measuring safety, especially the traffic conflict technique. Traditionally, traffic conflict techniques have relied on field observations, which have some reliability and repeatability problems. Therefore, successfully automating conflict detection with data extracted from video sensors could have considerable benefits for traffic safety studies. Before-and-after safety evaluations could greatly benefit from automated analysis of traffic conflicts, and the main objective of this paper is to demonstrate the use of this analysis technique for such evaluations. A right-turn safety improvement was implemented at an intersection in Edmonton, Alberta, Canada, in 2009 to mitigate the high rate of rear-end and merging collisions. The right-turn ramp was closed, and all right-turning vehicles were brought to the right-turn lane at the intersection, where a “No-Right-Turn-on-Red” sign was installed. In this study, video sensors were the primary source of conflict data. The video data were analyzed and traffic conflicts were measured with an automated traffic safety tool. The distributions of the calculated conflict indicators before and after the treatment showed a considerable reduction in the frequency and severity of traffic conflicts. This result suggests significant positive changes in rear-end, merging, and total conflicts. The results of this study show the potential benefit of adopting automated conflict analysis for before-and-after safety studies.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».