Impact of Congestion and Traffic Flow on Crash Frequency and Severity: Application of Smartphone-Collected GPS Travel Data
Notice bibliographique
Résumé
Mobility and safety are the two greatest priorities within any transportation system. Ideally, traffic flow enhancement and crash reductions could occur simultaneously, although their relationship is likely complex. The impact of traffic congestion and flow on road safety requires more empirical evidence to determine the direction and magnitude of the relationship. The study of this relationship is an ideal application for instrumented vehicles and surrogate safety measures (SSMs). The purpose of this paper is to correlate quantitative measures of congestion and flow derived from smartphone-collected GPS data with collision frequency and severity at the network scale. GPS travel data were collected in Quebec City, Quebec, Canada, and the sample for this study contained data for more than 4,000 drivers and 20,000 trips. The extracted SSMs, the congestion index (CI), average speed ( V), and the coefficient of variation of speed (CVS) were compared with crash data collected over an 11-year period from 2000 to 2010 with the use of Spearman’s correlation coefficient and pairwise Kolmogorov–Smirnov tests. The correlations with crash frequency were weak to moderate. CI was shown to be positively correlated with crash frequency, and the relationship to crash severity was found to be nonmonotonous. Higher congestion levels were related to crashes with major injuries, whereas low congestion levels were related to crashes with minor injuries and fatalities. Surprisingly, V was found to be negatively correlated with crash frequency and had no conclusive statistical relationship to crash severity. CVS was positively correlated with crash frequency and statistically related to increased crash severity. Future work will focus on the development of a network screening model that incorporates these SSMs.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| 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 ».