Investigating the Affecting Factors of Speed Dispersion for Suburban Arterial Highways in Nanjing, China
Notice bibliographique
Résumé
Suburban arterial highways are usually characterized by mixed traffic environments, which is a major contributor to traffic crashes. It has been known that speed dispersion as a surrogate safety measure has a strong correlation with safety. The objective of this study is to identify the influencing factors of speed dispersion for suburban arterial highways. Two definitions of speed dispersion are proposed for comparison: (1) an individual vehicle speed variation along a highway segment and (2) a vehicle speed variation at a cross-section. Vehicle speeds, traffic composition, and driving interference data were obtained from high-resolution videos from 20 segments of the G205 highway in Nanjing, China. An exploratory factor analysis was used to detect initial relationships between latent influencing factors and 13 candidate variables selected based on traffic condition, road condition, and driving behavior. A multivariable regression model was applied to identify the impacts of latent influencing factors on speed dispersion. The results from the two models showed substantial differences. The road condition factor was not significant in the cross-sectional speed dispersion model, but was interpretive in the segmented speed dispersion model. Driving interferences and illegal driving behaviors had a greater effect on the segmented speed dispersion. Consequently, segmented speed dispersion showed a better performance for the analysis of suburban arterial highways. On the other hand, traffic disturbance caused by driving interferences and illegal driving behaviors is the greatest contributor to high speed dispersion on suburban arterial highways, which may be mitigated by effective traffic management measures. It is expected that this work will help traffic managers better understand speed dispersion in mixed traffic environments and to develop effective safety improvement strategies.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».