Multimodal Injury Risk Analysis Between Road Users at Signalized and Nonsignalized Intersections
Notice bibliographique
Résumé
This paper proposes a multimodal approach to study safety at intersections by simultaneously analysing the safety and flow outcomes for both motorized and non-motorized traffic. This study uses an extensive inventory of signalized and non-signalized intersections on the island of Montreal, Quebec, Canada, containing disaggregate motor-vehicle, cyclist and pedestrian flows, injury data, geometric design, traffic control and built environment characteristics in the vicinity of each intersection. Bayesian multivariate Poisson models are used to analyze the injury and traffic flow outcomes and to develop safety performance functions for each mode at both facilities. After model calibration, contributing injury frequency factors are identified. Injury frequency and injury risk measures are then generated to carry out a comparative study to identify which mode is at greatest risk at intersections in Montreal. Among other results, this study identified that the number of injuries is greatest for motor-vehicles, but when exposure is accounted for, in the risk measure, this reveals that motor-vehicles are exposed to much smaller risks than any other mode, for both types of facilities. This highlights the need for safety improvements for non-motorized users who are, on average, at 17 to 28 times greater risk than motorists at signalized intersections and 2 to 19 times greater at non-signalized intersections. Also revealed, at signalized intersections pedestrians are most at risk and at non-signalized intersections cyclists are most at risk. Motor-vehicle traffic is the main risk determinant for all injury and intersection types. Also, the existence of correlation between flows, injuries and risks were tested.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».