Analysis of Crossing Behavior and Violations of Electric Bikers at Signalized Intersections
Notice bibliographique
Résumé
This paper focuses on investigating electric bikers’ (e-bikers) crossing behavior and violations based on survey data of 3,126 e-bikers collected at signalized intersections in Nantong, China. We first explore e-bikers’ characteristics of late crossing, incomplete crossing, and violating crossing behaviors by frequency analysis and duration distribution, and examine a few influential factors for e-bikers’ red-light running (RLR) behavior, including site type, crossing length and traffic signal countdown timers (TSCTs). E-bikers’ RLR behavior is further divided into three categories, namely GR near-violations, RR violations, and RG violations. Second, we use a binary logistic regression model to identify the relationship between e-bikers’ RLR behavior and potential influential factors, including demographic attributes, movement information, and infrastructure conditions. We not only make regression analysis for respective violation type, but also carry out an integrated regression of a census of all three types of violations. Some insightful findings are revealed: (i) the green signal time and site type are the most significant factors to GR near-violations, but with little impact on the other two violation types; (ii) the waiting time, waiting position, passing cars and crossing length exert considerable impact on RR violations; (iii) for RG violations, TSCTs, leading violators and gender are the most significant factors; (iv) it is also unveiled that site type, green signal time and TSCTs have negligible impact on the whole violations regardless of the violation types. Thus, it is more meaningful to investigate the impacts of these variables on e-bikers’ RLR behavior according to different violation types; otherwise, the potential relationship between some crucial factors and e-bikers’ RLR behavior might be ignored. These findings would help to improve intersection crossing safety for traffic management.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».