New methods for modeling and integrating bicycle activity and injury risk in an urban road network
Notice bibliographique
Résumé
Bien que la fraction des déplacements effectués à vélo soit encore faible, l'usage du vélo augmente désormais dans les villes des États-Unis et du Canada. Dans ce contexte, de nouvelles méthodes de collecte de données et de nouveaux outils de planification ciblant l'usage et la sécurité du vélo urbain ont émergé. Néanmoins, les connaissances actuelles comportent d'importantes lacunes. Peu de recherches ont investigué l'association entre la sécurité des cyclistes, la géométrie routière, l'environnement bâti et la circulation des véhicules. Les facteurs influençant la sécurité de différents usagers de la route, dans différents contextes, restent peu connus. Aucun outil ne permet d'estimer les volumes de cyclistes sur l'ensemble d'un réseau routier. Les recherches antérieures sont basées sur des échantillons de convenance et n'ont pas pu estimer ou cartographier le risque de blessures sur l'ensemble d'un réseau routier, incluant intersections et segments routiers. La décélération des cyclistes sur le réseau routier pourrait être un indicateur indirect de leur sécurité. Enfin, la vitesse et la durée des déplacements à vélo sur les segments routiers ainsi que les délais aux intersections sont peu connus. L'objectif général de cette thèse est de proposer de nouvelles méthodes pour modéliser et estimer l'activité cycliste et le risque de blessures en intégrant différentes sources de données. Les méthodes proposées permettront d'identifier les facteurs de risque environnementaux et de cartographier le risque de blessures, basé sur les accidents et les indicateurs indirects. Les objectifs spécifiques de cette thèse sont : 1) développer un modèle d'analyse Bayésien pour étudier simultanément les déterminants de l'activité cycliste et du risque de blessures, notamment l'influence de l'environnement bâti et de la géométrie des routes; 2) réaliser une analyse comparative de l'exposition, du nombre et du risque de blessures pour trois modes de transport, aux intersections signalisées et non-signalisées, 3) améliorer les méthodes actuelles permettant d'estimer l'exposition des cyclistes, en combinant des comptages manuels, des comptages automatiques et des données GPS sur les déplacements, afin d'estimer et de cartographier l'activité cycliste et le risque de blessures sur l'ensemble du réseau routier; 4) développer une méthode pour obtenir le taux de décélération des cyclistes sur les segments routiers et aux intersections, en utilisant des données GPS sur les déplacements, et explorer son association avec les blessures observées; 5) développer une méthode basée sur des données GPS pour estimer la vitesse des cyclistes, la durée des déplacements et les délais, et identifier les facteurs influençant la vitesse des cyclistes sur les segments routiers. Cette thèse propose un cadre d'analyse pour étudier simultanément l'activité cycliste et le risque de blessures et ainsi surmonter l'enjeu de l'endogénéité. Une méthodologie similaire a été utilisée dans une perspective multimodale, afin d'étudier l'exposition et le risque de blessures pour les cyclistes, les piétons et les automobilistes. Cette thèse développe et applique une méthodologie pour calculer et cartographier le débit journalier annuel moyen de cyclistes ainsi que le risque de blessures sur l'ensemble du réseau routier, en intégrant des comptages avec une nouvelle source de données GPS sur les déplacements cyclistes, provenant de téléphones intelligents. Les données GPS ont aussi été utilisées pour mesurer les décélérations subites des cyclistes, et cet indicateur indirect du risque d'accident a été corrélé avec le nombre estimé de cyclistes blessés. Enfin, une méthodologie basée sur les données GPS a été développée pour calculer la vitesse des cyclistes sur les segments routiers et les délais aux intersections. Les résultats de cette thèse ont été intégrés pour identifier les trajets cyclistes les plus sécuritaires, les plus courts et les plus rapides.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».