Comparison of Crash Severity Risk Factors at Signalized and Stop-Controlled Intersections in Urban and Rural Areas in Alabama
Notice bibliographique
Résumé
Understanding the factors that affect crash severity at intersections is essential to develop strategies to alleviate safety deficiencies. This paper identifies and compares the significant factors affecting crash severity at signalized and stop-controlled intersections in urban and rural areas in Alabama using recent five-year crashes. A random forest model was used to rank variable significance and a binary logit model was applied to identify the significant factors at both intersection types in urban and rural areas. Four separate models (urban signalized, urban stop-controlled, rural signalized, and rural stop-controlled) were developed. New variables that were not previously explored were used in this study, such as the roadway type (one-way vs. two-way) and traffic control functioning (yes or no). It was found that one-way roadways were associated with a reduction in crash severity at urban signalized intersections. In all four models, rear-end crashes showed lesser severity than side impacts. Head-on crashes, higher speed limits, and curved sections showed higher severity in urban signalized and stop-controlled intersections. In rural stop-controlled intersections, right-turning maneuvers had a severity reduction. Female drivers showed 15% and 45% higher severity likelihood (compared to males) at urban and rural signalized intersections, respectively. Strategies to alleviate crash severity are proposed.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».