Safety Evaluation of Automated Section Speed Enforcement System
Notice bibliographique
Résumé
Because speeding is one of the most significant contributing factors to fatal crashes, most road agencies attempt to achieve the right operating speed by imposing speed limits. Speed limit violations are prevalent, even on motorways with speed cameras. A problem with speed camera enforcement is that some motorists brake before passing a camera location and then exceed the speed limit after passing. This sudden braking can cause dangerous situations, crashes, and traffic jams. Furthermore, safe operating speed is not achieved where there are no cameras, especially where enforcement is overt, as in Italy. A new technique to overcome these problems is an automated section speed enforcement system, Safety Tutor. Unlike conventional speed meters, which measure vehicle speed at one point, the new technique determines average speed over a long distance. This study evaluated the safety effectiveness of the Safety Tutor system installed on Italian Motorway A1 Milan–Naples in 2007. An empirical Bayes observational before-and-after study was performed. The estimate of the total crash reduction is 31.2%, with a lower 95% confidence limit of 24.3%. The greatest crash reductions were observed for severe crashes and crashes at curves. Reduction was 55.6% for severe crashes, 26.6% for nonsevere crashes, 43.4% at curves, and 28.4% at tangents. However, the system's effectiveness decreased over time. The crash reduction was 39.4% in the first semester after the system's activation and 18.7% in the fifth semester after activation. Results strongly support activation of the new automated system owing to highly significant and substantial safety effects. The decrease in system effectiveness over time may be correctible with higher levels of enforcement.
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 | 0,012 | 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».