Developing macro-level collision prediction models to enhance traditional road safety improvement programs and evaluate bicycle safety in the City of Vancouver
Notice bibliographique
Résumé
To encourage greener cities while reducing transportation impacts such as climate change, traffic congestion, and road safety issues, governments have been investing in sustainable transportation modes such as cycling. A safe and comfortable cycling environment is critical to encourage bicycle trips, since cyclists are subject to greater safety risks and represent the highest share of severe and fatal road collisions. Traditionally, engineering approaches have addressed road safety in reaction to existing collision histories. For bicycle collisions, which are rare events, a proactive approach is more appropriate. This study described the development of bicycle related macro-level (i.e. neighbourhood or traffic analysis zone level) Collision Prediction Models (CPMs) and tested the models as empirical tools for bicycle road safety evaluation and planning. This study was unique in its usage of the bicycle exposure variable represented by Bicycle Kilometers Travelled (BKT) as a lead exposure variable in the models. The macro-level CPMs that were developed for bicycle-vehicle collisions were applied to a case study of the City of Vancouver at the zonal level. The objectives of the study were to: (1) identify bicycle data safety indicators, (2) develop bicycle macro-level CPMs using generalized linear regression modeling (GLM), (3) demonstrate model use by applying them to a case study of the City of Vancouver through a macro-reactive road safety application, and (4) identify potential safety countermeasures for the highest ranked Collision Prone Zones (CPZs). The models were effective in enhancing traditional road safety initiatives and identifying and ranking dangerous CPZs in the City of Vancouver. The top three collision prone areas were then brought forward for diagnosis and remedy analysis. This case study effectively demonstrated the use of the models to proactively enhance bicycle safety.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».