Modeling driver distance recognition and speed perception at night for freeway speed limit selection in china
Notice bibliographique
Résumé
Developing a proper speed limit for freeway is critical for roadway safety. Due to the difference in vis-ibility between day and night, it is necessary to have different speed limits for the two time periods on freeways with changing geometric features. Aiming to reduce the number of crashes caused by speed-ing at night on freeways, an exploratory study was conducted on the maximum speed limit at night. In order to investigate the potential relationship between drivers ’ distance recognition and driving speed and between speed perception and driving speed under different geometric design features, an experi-ment was carried out on a 22-km-long freeway segment on Chang-song freeway in China. Based on round-trips made by 10 drivers during day and night on this segment, drivers ’ recognition distance (distance between a sign and the location where the sign was clearly recognized the fi rst time) and estimated speed were recorded. The data analysis results show that driver recognition distance at night decreases by about 7 % compared with recognition distance at daytime. The accuracy of driver speed perception at nighttime is only 29%, whereas it is 67 % at daytime. With the collected data, several mul-tivariate non-linear regression models were established to capture the relationship among the variables of recognition distance, estimated speed at night, driving speed, and highway alignment indexes. Then the modeling results were used to develop the speed limit model by physical equations. A case study is introduced at the end of the paper.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 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 ».