Predicting Critical Bicycle-Vehicle Conflicts at Signalized Intersections
Notice bibliographique
Résumé
Continuous development of urban infrastructure with a focus on sustainable transportation has led to a proliferation of vulnerable road users (VRUs), such as bicyclists and pedestrians, at intersections. Intersection safety evaluation has primarily relied on historical crash data. However, due to several limitations, including rarity, unpredictability, and irregularity of crash occurrences, quantitative and qualitative analyses of crashes may not be accurate. To transcend these limitations, intersection safety can be proactively evaluated by quantifying near-crashes using alternative measures known as surrogate safety measures (SSMs). This study focuses on developing models to predict critical near-crashes between vehicles and bicycles at intersections based on SSMs and kinematic data. Video data from ten signalized intersections in the city of San Diego were employed to train logistic regression (LR), support vector machine (SVM), and random forest (RF) models. A variation of time-to-collision called T2 and postencroachment time (PET) were used to specify monitoring periods and to identify critical near-crashes, respectively. Four scenarios were created using two thresholds of 5 and 3 s for both PET and T2. In each scenario, five monitoring period lengths were examined. The RF model was superior compared to other models in all different scenarios and across different monitoring period lengths. The results also showed a small trade-off between model performance and monitoring period length, identifying models with monitoring period lengths of 10 and 20 frames performed slightly better than those with lower or higher lengths. Sequential backward and forward feature selection methods were also applied that enhanced model performance. The best RF model had recall values of 85% or higher across all scenarios. Also, RF prediction models performed better when considering just the rear-end near-crashes with recalls of above 90%.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».