Incorporating Speed in a Traffic Conflict Severity Index to Estimate Left Turn Opposed Crashes at Signalized Intersections
Notice bibliographique
Résumé
Rigorous evaluation of implemented safety treatments, especially for innovative treatments and those targeted at rare crash types, is challenging to accomplish with conventional crash-based analyses. This paper aims to address this challenge for treatments at urban signalized intersections by providing a methodology that uses surrogate measures of safety obtained from video analytics to predict changes in crashes. To develop this approach, left turn opposed traffic conflicts based on post-encroachment times, along with corresponding conflicting vehicle speeds, are first measured from video observations at signalized intersections. The conflicts are then classified into three severity levels using a risk score function defined by these measures. Multiple linear regression models are developed to relate left turn opposed crashes at the same intersections in the period 2009–2014 to the correspondingly classified conflicts. The results show strong relationships between the classified conflicts and crashes (adjusted [Formula: see text] of 85% and 94% for total and fatal/injury crashes, respectively). The results also reveal that the contribution of conflicts to the risk of crashes varies based on speed dimension of their severity, suggesting that neglecting speed as a factor in conflict severity levels may be at the expense of losing meaningful information. The models can be applied to estimate the change in crashes following a safety treatment by observing, through video analytics, the change in conflicts and speeds and using the crash-conflict-speed model. The methodological approach is viable for quickly evaluating all treatments and, in particular, innovative ones for which knowledge on safety effects is sparse or non-existent.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| 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) | 0,001 | 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 ».