Road Traffic Safety Risk Estimation Method Based on Vehicle Onboard Diagnostic Data
Notice bibliographique
Résumé
Currently, research on road traffic safety is mostly focused on traffic safety evaluations based on statistical indices for accidents. There is still a need for in-depth investigation on preaccident identification of safety risks. In this study, the correlations between high-incidence locations for aberrant driving behaviors and locations of road traffic accidents are analyzed based on vehicle OBD data. A road traffic safety risk estimation index system with road traffic safety entropy (RTSE) as the primary index and rapid acceleration frequency, rapid deceleration frequency, rapid turning frequency, speeding frequency, and high-speed neutral coasting frequency as secondary indices is established. A calculation method of RTSE is proposed based on an improved entropy weight method. This method involves three aspects, namely, optimization of the base of the logarithm, processing of zero-value secondary indices, and piecewise calculation of the weight of each index. Additionally, a safety risk level determination method based on two-step clustering (density and k -means clustering) is also proposed, which prevents isolated data points from affecting safety risk classification. A risk classification threshold calculation method is formulated based on k -mean clustering. The results show that high-incidence locations for aberrant driving behaviors are consistent with the locations of traffic accidents. The proposed methods are validated through a case study on four roads in Chongqing with a total length of approximately 38 km. The results show that the road traffic safety trends characterized by road safety entropy and traffic accidents are consistent.
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 ».