Before-and-After Empirical Bayes Evaluation of Automated Mobile Speed Enforcement on Urban Arterial Roads
Notice bibliographique
Résumé
Speeding is a leading factor in road collisions and is found to contribute to approximately one-third of all fatal collisions. Speed enforcement is one of the most common countermeasures used to reduce speed. However, a gap exists in the literature regarding the effectiveness of automated mobile photo enforcement on urban arterial roads. This study addresses this gap using the before-and-after empirical Bayes method to account for regression to the mean effects and other confounding factors. Locally developed safety performance functions and yearly calibration factors for different collision severities were obtained by using a reference group of urban arterial roads. The evaluation period covers 8 years. Collision records, deployment information, traffic counts, and road geometric data were collected. The results showed consistent reductions in different collision severities; the reductions ranged from 14% to 20%, with the highest reductions observed for severe collisions. The enforced segments were further categorized according to site selection criteria and deployment hours to examine the effect of enforcement on collision reduction. More reductions were found at segments that had more collisions during the before period and longer deployment hours. The study also compared the safety effects of continuous and discontinuous enforcement strategies on different arterials, and the analysis revealed that continuous enforcement achieved more reductions across all severities and types of collisions. The study also investigated the spillover effects on adjacent unenforced approaches. Significant reductions were found, and these results are discussed with regard to the general and specific deterrence of the enforcement.
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 | 0,027 | 0,073 |
| 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 | 0,001 |
| 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) | 0,001 | 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 ».