Safety Evaluation of the SafetyEdge Treatment for Pavement Edge Drop-Offs on Two-Lane Rural Roads
Notice bibliographique
Résumé
This study estimated crash modification factors (CMFs) for the SafetyEdge paving technique that is applied for the treatment of pavement edge drop-offs on two-lane rural highways. An empirical Bayes observational before-after evaluation based on installation data in Iowa, North Carolina, Ohio, Pennsylvania, and Florida found that the SafetyEdge treatment was associated with statistically significant reductions in fatal and injury (FI), run-off-the-road (ROR), opposite-direction (head-on and sideswipe), and drop-off-related crashes. The ROR CMF was also statistically significant for both horizontal curved and tangent sections. A disaggregate analysis examined the variation of the CMF for ROR with factors such as the travel lane width, traffic volume, presence of a horizontal curve, posted speed limit, and the pre-treatment ROR crash frequency. The results of that analysis indicated, for example, that the SafetyEdge paving technique appears to have a greater ROR safety benefit on two-lane rural roadway segments with average annual daily traffic volumes greater than 3,000 vehicles per day, relative to roadway segments with lower traffic volumes. A crash modification function (CMFunction) was calibrated with expected pre-treatment ROR crashes as the independent variable to simultaneously capture the relationship of the CMF for ROR crashes to multiple factors. An economic analysis found that the treatment is highly cost-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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».