Comparison between Surrogate Safety Assessment Model and Real-Time Safety Models in Predicting Field-Measured Conflicts at Signalized Intersections
Notice bibliographique
Résumé
Traffic simulation models are frequently used to evaluate the safety of signalized intersections, especially when testing unconventional designs or investigating the effects of emerging technologies such as connected and autonomous vehicles. In this approach, vehicle trajectories extracted from traffic simulation are usually analyzed using the surrogate safety assessment model (SSAM) to estimate the number and severity of traffic conflicts. However, recent research has shown that evaluating safety using SSAM has several limitations. First, a rigorous calibration procedure must be applied to the simulation model to obtain reliable conflict results. Second, simulation models in many cases do not accurately represent actual driving behavior. Subsequently, they often fail to capture the actual mechanisms generating near-misses. This paper presents a new procedure, alternative to SSAM, for evaluating the safety of signalized intersections. The procedure combines simulated vehicle trajectories with real-time safety models to predict rear-end conflicts. The conflict prediction is based on dynamic traffic parameters, such as traffic volume and shock wave characteristics, repeatedly measured over a short time interval (a few seconds). To validate the proposed procedure, its performance was investigated in predicting traffic conflicts extracted from 54 hours of real-world video data at two signalized intersections in the city of Surrey, British Columbia. The predicted conflict results were compared with SSAM. Overall, the results showed that the proposed procedure outperforms SSAM in relation to accuracy of conflict prediction. Lastly, a case study of using the proposed procedure in evaluating the safety impact of a recently developed connected-vehicles application is presented.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».