A Predictive Framework of Speed Camera Locations for Road Safety
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Road traffic crashes are a public health issue due to their terrible impact on individuals, communities, and countries. Studies affirmed that vehicle speed is a major contributor to crash likelihood and severity. At the same time, they identified Automated Speed Enforcement (ASE) systems, namely speed cameras, as a highly effective measure to reduce excessive and inappropriate speed, and thus improving road safety. However, identifying optimum sites for fixed speed camera placement stays an open issue in the literature, although it is a key factor that guarantees the efficiency of such ASE systems. This paper describes a predictive framework of speed camera locations using a classification algorithm that can predict, for each section of a given road network, its pertinence as a speed camera location. First, we identify a set of features as predictors of the classification algorithm, that we have argued their goodness through correlation tests. Second, for training our algorithm, data from road controlled sections, corresponding to existing speed cameras, is exploited. Each section class reflects the contribution level of the ASE system (good, neutral, or bad) to road safety. Third, as a proofof-concept, the framework has been implemented and deployed on the Moroccan road network. The results showed that Random Forest classifier is the best performing model attaining an accuracy of 95% and a precision of 88%. Further, a tool was developed to visualize updated classification results on a Moroccan road network map to support authorities in their decision making process.
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.
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 | 0,002 |
| 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 découle