Classification modeling approach for vehicle dynamics model‐integrated traffic simulation assessing surrogate safety
Notice bibliographique
Résumé
Summary To assess safety impacts of untried traffic control strategies, an earlier study developed a vehicle dynamics model‐integrated (i.e., VISSIM‐CarSim‐SSAM) simulation approach and evaluated its performance using surrogate safety measures. Although the study found that the integrated simulation approach was a superior alternative to existing approaches in assessing surrogate safety, the computation time required for the implementation of the integrated simulation approach prevents it from using it in practice. Thus, this study developed and evaluated two types of models that could replace the integrated simulation approach with much faster computation time, feasible for real‐time implementation. The two models are as follows: (i) a statistical model (i.e., logit model) and (ii) a nonparametric approach (i.e., artificial neural network). The logit model and the neural network model were developed and trained on the basis of three simulation data sets obtained from the VISSIM‐CarSim‐SSAM integrated simulation approach, and their performances were compared in terms of the prediction accuracy. These two models were evaluated using six new simulation data sets. The results indicated that the neural network approach showing 97.7% prediction accuracy was superior to the logit model with 85.9% prediction accuracy. In addition, the correlation analysis results between the traffic conflicts obtained from the neural network approach and the actual traffic crash data collected in the field indicated a statistically significant relationship (i.e., 0.68 correlation coefficient) between them. This correlation strength is higher than that of the VISSIM only (i.e., the state of practice) simulation approach. The study results indicated that the neural network approach is not only a time‐efficient way to implementing the VISSIM‐CarSim‐SSAM integrated simulation but also a superior alternative in assessing surrogate safety. Copyright © 2014 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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».