Collision Prediction Models for Three-Dimensional Two-Lane Highways
Notice bibliographique
Résumé
Collision prediction models for three-dimensional (3-D) alignments of two-lane rural highways are lacking in the literature. This paper presents such models with vehicle collision data on 5,760 km (3,600 mi) of two-lane rural highways in Washington State collected from 2002 through 2005. Five statistical models were developed for different combinations of 3-D alignments to establish the relationship between collision frequency and the relevant variables. The alignment combinations are (a) horizontal curves combined with crest vertical curves, (b) horizontal curves combined with sag vertical curves, (c) horizontal curves combined with multiple vertical curves, (d) horizontal curves combined with grades of less than 5%, and (e) horizontal curves combined with grades of more than 5%. For each combination, four different statistical techniques were explored: Poisson, negative binomial, zero-inflated Poisson, and zero-inflated negative binomial. For validation, two models were selected and estimated by using the first 3 years of collision data and validated with the last-year data. The results show that the most significant predictors for collisions on horizontal curves on 3-D alignments are the degree of curvature, roadway width (lanes plus shoulders), access density, product of grade value and grade length, road section length, and average annual daily traffic. The results of this study should be useful in evaluating road safety on 3-D alignments and optimizing their design based on the substantive safety approaches.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 ».