MétaCan
Menu
← Retour à la cohorte
Enregistrement W2745233855 · doi:10.1109/mtits.2017.8005591

Modeling cyclists speed at signalized intersections: Case study from Ottawa, Canada

2017· article· en· W2745233855 sur OpenAlexaffabout
Ali Kassim, Karim Ismail, Suzanne Woo

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic and Road Safety
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésTransport engineeringComputer scienceEngineering

Résumé

récupéré en direct d'OpenAlex

The study of cyclist behavior for developing realistic and reliable behavioral models is attracting research focus. Achieving a detailed understanding of cyclist behavior is a cornerstone in building micro-simulation models and ultimately creating a more sustainable transportation system. Cyclist behavior is especially important at traffic intersections due to the exposure to turning and crossing vehicle movements. This study focuses on cyclist speed modelling at traffic intersections in urban areas. Data collection was conducted at three different traffic intersections in the downtown area in Ottawa, Canada. Video monitoring covered cyclists, vehicles, and pedestrian movements. Cyclists approached these intersections through physically segregated bike lanes. Cyclist speed was measured based on metric measurements at the intersections and temporal measurements from the video data. The variables associated with cyclist speed that were examined are: pedestrian crossing movements, adjacent vehicle traffic, traffic signal indication, type of right-turn lane, potential conflicts with turning vehicles, and occurrence of traffic violations. Multivariate regression analysis was conducted to link cyclist speed and the explanatory variables. The resulting R2values were 0.43 for predicting cyclist crossing speed and was 0.56 for predicting the change in cyclist speed while approaching the intersection. A number of statistically significant associations were observed and documented. Overall, considering the data collection effort, sample size, and the predictive power of this regression model, it can be concluded that the developed models are of potential practical use in predicting cyclist crossing speed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,208

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0030,001
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,237
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetTraffic and Road Safety→Travaux en français237 207→