Predicting Crash Frequency for Urban Expressway considering Collision Types Using Real-Time Traffic Data
Notice bibliographique
Résumé
Current studies on traffic crash prediction mainly focus on the crash frequency and crash severity of freeways or arterials. However, collision type for urban expressway crash is rarely considered. Meanwhile, with the rapid development of urban expressway systems in China in recent years, traffic safety problems have attracted more attention. In addition, the traffic characteristics are considered to be a potentially important predictor of traffic accidents; however, their impact on crashes has been controversial. Therefore, a crash frequency predicting model for urban expressway considering collision types is proposed in this study. The loop detector traffic data and historical crash data were aggregated based on the similarities of the traffic conditions 5 minutes before crash occurrence, among which crashes were divided by collision type (rear-end collision and side-impact collision). The impact of traffic characteristics along with weather variables as well as their interactions on crash frequency was modelled by using negative binomial regression model. The results indicated that the influence of traffic and weather factors on two collision types shared similar trend, but different level. For rear-end collisions, crash frequency increased with lower average speed and high traffic volume under low speed limit. And when the speed limit is high, higher average speed coupled with larger volume increases the probability of crash. Higher average speed and traffic volume increase the probability of side-impact collisions, without being affected by the speed limit. The findings of the present study could help to determine efficient safety countermeasures aimed at improving the safety performance of urban expressway.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».