Can I Trust You? Estimation Models for e-Bikers Stop-Go Decision before Amber Light at Urban Intersection
Notice bibliographique
Résumé
Electric bike (e-bike) riders’ inappropriate go-decision, yellow-light running (YLR), could lead to accidents at intersection during the signal change interval. Given the high YLR rate and casualties in accidents, this paper aims to investigate the factors influencing the e-bikers’ go-decision of running against the amber signal. Based on 297 cases who made stop-go decisions in the signal change interval, two analytical models, namely, a base logit model and a random parameter logit model, were established to estimate the effects of contributing factors associated with e-bikers’ YLR behaviours. Besides the well-known factors, we recommend adding approaching speed, critical crossing distance, and the number of acceleration rate changes as predictor factors for e-bikers’ YLR behaviours. The results illustrate that the e-bikers’ operational characteristics (i.e., approaching speed, critical crossing distance, and the number of acceleration rate change) and individuals’ characteristics (i.e., gender and age) are significant predictors for their YLR behaviours. Moreover, taking effects of unobserved heterogeneities associated with e-bikers into consideration, the proposed random parameter logit model outperforms the base logit model to predict e-bikers’ YLR behaviours. Providing remarkable perspectives on understanding e-bikers’ YLR behaviours, the predicting probability of e-bikers’ YLR violation could improve traffic safety under mixed traffic and fully autonomous driving condition in the future.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».