Analyzing Driver Compliance to Speed Limits Using Logistic Regression
Notice bibliographique
Résumé
Driver compliance to speed limits is an important yet extremely complicated matter. The complexity arises primarily from the variety of factors that could affect drivers’ compliance to speed limits which could be vehicle, driver or road related, environmental, or even temporal. This study examines the effects of such factors on driver compliance in the City of Edmonton, using logistic regression. Unlike previous studies, this study examines the effects of different variables on compliance, rather than collision counts or driver speed choice. The dataset used includes vehicle spot speeds recorded at almost 700 different locations in the city. The compliance for each vehicle was used as the response variable for the regression model, which was built using data from more than 35 million cases. The findings show that, generally, the more restricted drivers become the more likely they are to comply with speed limits; potential restrictions include street parking, bike lanes, pedestrian crossing, or the absence of shoulder lanes. Furthermore, higher traffic activity during peak hours, and presumably on shoulder weekdays (Monday and Friday), both increase the likelihood of compliance. In contrast, as the vehicle class (length) increases, the probability of compliance decreases. Not much can be inferred about the effects of weather on compliance to speed limits, although an interesting finding is that odds of compliance seem to drop in winter months. Another important observation about non-compliance that is somewhat concerning is that speed limit violations are higher in residential areas relative to most of the other land uses considered
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».