Evaluation of Safety Countermeasures at Intersections Using Microscopic Simulation
Notice bibliographique
Résumé
In many jurisdictions, over 40% of all road crashes take place at or near intersections. The need to reduce these crashes has fostered considerable research on the development and evaluation of costeffective countermeasures. Safety engineers have been trying to make decisions affecting safety based on the knowledge extracted from different types of statistical models and/or observational before-after analysis. It is generally recognized that this type of factual knowledge is not easily obtained either statistically or empirically. The use of microscopic traffic simulation over the last two decades has essentially focused on the analysis of system transportation efficiency such as signalized intersections, arterial networks and freeway corridors. The potential of microscopic simulation in traffic safety and traffic conflict analysis was initially recognized by Darzentas et al (1980) and has gained increasing interest in recent years. This paper introduces a micro-level behavioural model to estimate crash potential at intersections for different traffic scenarios and geometric attributes based on deceleration rate to avoid the crash (DRAC) and the maximum available deceleration rate (MADR). The model has been applied to a simple left turn movement for a four-leg unsignalized intersection. For this situation, increases in driver perception and reaction times and reduction in the pavement surface friction were found to increase crash potential significantly. The paper speculates on how the model can be used to provide insights into crash reduction resulting from signalization.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».