Traffic Safety and Operations on Shared-Access Facilities: An Urban Arterial Case Study
Notice bibliographique
Résumé
In designing intersection signal timing plans transportation professionals have to account for two main objectives that often times are antagonistic: to ensure good flow of traffic and to maintain a high level of safety for all road users. Although the two objectives do not necessarily exclude one another, identifying the compromise that provides the best traffic and safety conditions for all road users is not a straightforward exercise. In this study, the authors propose a methodology that can be used to determine the best signal timing of urban intersections by reaching a desired equilibrium between the two objectives. The methodology is using a combined delay-safety (DS) performance measure in an artificial intelligence decision-making framework. A case study of an urban arterial with a newly built bicycle path in downtown Montreal, Quebec, was investigated using a microscopic traffic simulator, VISSIM. A multilayer perceptron (MLP) neural-network uses several traffic flow parameters as input information to identify, out of three possible configurations (i.e., independent signals, coordinated for automobile progression, and coordinated for bicycle progression) what type of signal timing plan yields the best tradeoff between automobile delay and safety of nonmotorized users. Based on several levels of input flows from real-world and simulated traffic data a large pool of possible input/output combinations was used to train and test the MLP neural network with two hidden layers. It was found that for 99.8% of the tested cases the neural network identifies correctly the configuration of signal timing plan that yields the lowest DS value.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».