Conflict-Based Safety Performance Functions for Predicting Traffic Collisions by Type
Notice bibliographique
Résumé
In road safety analysis, safety performance functions (SPFs) are used to predict the average number of collisions per year at a road site. SPFs are a function of various amounts of exposure and, in some cases, site-specific characteristics. Exposure is a measure of opportunities for collisions to occur. The circulating traffic volume is commonly adopted for this purpose. However, not all vehicles interact unsafely at a road site. Alternatively, traffic conflicts may provide a more appropriate exposure measure for collisions because they represent only unsafe interactions between vehicles. There has been some research on this topic, mainly based on aggregated data including all conflict types. In this study a stratified analysis was conducted by type of conflict. Hence, the main objectives of this research were to establish a relationship between predicted collisions and predicted conflicts by using an SPF with traffic conflicts as an exposure measure and to predict the number of specific types of conflicts and collisions at signalized intersections. The methodological framework used was a two-phase nested modeling process in which a Poisson–gamma SPF that uses traffic volume as exposure was used to predict conflicts, which were then used in another Poisson–gamma SPF to predict collisions. The proposed approach was applied to a data set of collision frequency and average hourly conflicts for 49 signalized intersections throughout British Columbia, Canada. The results demonstrate the proportional relationship between conflicts and collisions and the importance of carrying out stratified analyses when types of conflicts are combined.
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 | 0,010 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,003 |
| 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 | 0,001 |
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 ».