Automated Pedestrian Safety Analysis at a Signalized Intersection in New York City: Automated Data Extraction for Safety Diagnosis and Behavioral Study
Notice bibliographique
Résumé
Automated computer vision techniques were used to analyze 2 h of video data collected at a major signalized intersection in New York City. The main objectives of this study were to diagnose pedestrian safety issues and identify contributing factors at the intersection and to demonstrate the feasibility of the automatic extraction of pedestrian data required for pedestrian behavior analysis—mainly pedestrian speed and gait parameters. The safety study was conducted with traffic conflict techniques. The main factor that contributed to the high number of pedestrian and vehicle conflicts was found to be pedestrian violations, mainly temporal violations in which pedestrians crossed the street during the “Don't Walk” or flashing “Don't Walk” phase. During the 2 h analyzed, about one-third of pedestrians were noncompliant with the signal timing or crosswalk boundary (17.9% spatial violations and 15.3% temporal violations). Pedestrian speed, step frequency, and step length were automatically extracted for 333 pedestrians and were found to follow the normal distribution with 95% confidence (mean and standard deviation of 1.47 ± 0.27 m/s, 1.96 ± 0.17 Hz, and 0.75 ± 0.14 m, respectively). Gait analysis showed that the walking speed for single pedestrians was 9% higher than for those who walked in groups. Males tended to be slightly faster than females, with higher step length but lower step frequency. Violators tended to have higher walking speeds compared with non-violators, and the difference in speed was dependent on step length but not on step frequency.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».