Pedestrian Collision Prediction Models for Urban Intersections
Notice bibliographique
Résumé
In more recent safety analysis methods, collision prediction models can be used for identifying intersections with promise of safety improvement and for evaluating the effects of treatment. Considerable effort has been directed at developing collision prediction models, but little has been directed at pedestrian collisions. Collisions involving motor vehicles and pedestrians pose a significant safety problem, principally in urban areas, where the levels of vehicle-pedestrian conflicts are high. Data from Toronto, Canada, are used in the development of pedestrian collision prediction models for three- and four-legged urban intersections, with and without signal control. These models, which relate safety to pedestrian and vehicle traffic volumes, can be used to identify locations that might be targeted for treatment and to help evaluate treatment effects. Models are developed by using pedestrian and vehicular volumes and vehicle volumes only. It is seen that the use of pedestrian volume information results in a much richer model, emphasizing the importance of collecting this information in routine traffic counting programs. An important issue for collision prediction models is transferability to other jurisdictions. This is especially important in the case of pedestrian collision models, because many jurisdictions may not have data sets containing sufficient collisions and pedestrian volume counts with which to calibrate reliable models. Data from the city of Hamilton, Ontario, were used to test the transferability of the Toronto four-legged signalized intersection model. The test was successful: the recalibrated Toronto models predicted collision numbers that were very close to those predicted by the model calibrated directly for the Hamilton data.
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 | 0,002 | 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 | 0,001 | 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 ».