Effect of Red-Light Cameras on Capacity of Signalized Intersections
Notice bibliographique
Résumé
Red light running (RLR) is one of the most common violations drivers commit at signalized intersections. To avoid RLR violations, some drivers may decide to stop abruptly, even though they had the opportunity to cross the stop line before the onset of the red light. This action happens more frequently at intersections with a red-light camera (RLC). The consequence of this change in drivers’ stopping behavior is the potential reduction of the usable clearance interval and the slight decline in the intersection capacity. However, different agencies’ guidelines take different approaches to estimate the clearance lost time (CLT) for capacity analysis of signalized intersections; there is not an adjustment factor for considering the impact of RLCs. In an attempt to quantify the effect of RLCs on the capacity of signalized intersections, field data were collected at eight intersections: four with RLCs and four without, in the cities of Opelika and Auburn, Alabama. A total of 1,191 cycles and a total of 1,863 drivers’ responses to clearance intervals were used to estimate the CLT. It was found that the estimated CLT at the approach with a RLC is approximately 2.7 s longer than the default value presented by one set of guidelines and about 1.1 s longer than those in another. On average, the unused yellow time was a half-second longer in RLC intersections than the intersections without RLCs.
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 | 0,002 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 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 | 0,001 | 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 ».