A Citywide Location-Allocation Framework for Driver Feedback Signs: Optimizing Safety and Coverage of Vulnerable Road Users
Notice bibliographique
Résumé
Driver feedback signs (DFSs) are being adopted increasingly by municipalities around the world, as they have been proven to be a cost-effective countermeasure that improves road safety. However, research is still needed on developing a location-allocation framework to determine the optimal implementation strategies for DFS placement. Hence, the main aim of this paper is to formulate a location-allocation optimization problem with the objective of reducing vehicular collisions (ΔC) while enhancing spatial coverage for vulnerable road users and facilities (Cov). Two distinct planning scenarios, namely, an all-new and expansion scenario, were proposed in the framework. It was found that ΔC and Cov can be improved by up to 149.44% and 69.27%, respectively, in the all-new scenario. Two expansion scenarios were done with 10 and 20 additional units into the system. It was found that ΔC can be improved by up to 30.22% and 51.61% for the additional 10 and 20 DFSs, respectively. Likewise, the Cov can be improved by up to 14.64% and 29.27%, respectively. This framework provides decision makers with the freedom to simulate and optimize their DFS network by balancing the needs of the road users, vulnerable facilities, and traffic safety in locating DFSs over an urban road network.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».