Comparison of Time-Proximity and Evasive Action Conflict Measures: Case Studies from Five Cities
Notice bibliographique
Résumé
Interest has grown in using traffic conflicts for studying safety from a broader perspective than relying only on collision data. Traffic conflict analysis is typically performed through the calculation of traditional conflict severity measures such as time-to-collision and postencroachment time. These measures rely on road users getting within specific temporal and spatial proximity from each other and therefore assume that proximity is the surrogate for severity. However, this assumption may not be valid in some driving environments where close interactions between road users are common and sudden evasive actions are frequently used to avoid collisions. It is suggested that evasive action–based conflict indicators can assess the analysis in some less-organized traffic environments. This study focused on the severity evaluation of pedestrian conflicts. Pedestrian evasive actions were reflected mainly in variations of spatiotemporal gait parameters (step frequency and step length). The objective was to compare the use of time proximity and evasive action–based conflict indicators in evaluating the severity of pedestrian conflicts in different traffic environments. Video data from intersections in five major cities—Shanghai, China; New Delhi, India; New York City; Doha, Qatar; and Vancouver, British Columbia, Canada—were analyzed with automated computer vision techniques to extract pedestrian-involved conflicts and calculate conflict indicators. Results show that evasive action–based indicators were more effective in identifying and measuring the severity of pedestrian conflicts than time proximity measures in traffic environments such as Shanghai and New Delhi. However, evasive action measures did not show the same potential in Vancouver and Doha, where time proximity measures were more effective.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».