Quantification of Rear-End Crash Risk and Analysis of Its Influencing Factors Based on a New Surrogate Safety Measure
Notice bibliographique
Résumé
Traditional surrogate measures of safety (SMoS) cannot fully consider the crash mechanism or fail to reflect the crash probability and crash severity at the same time. In addition, driving risks are constantly changing with driver’s personal driving characteristics and environmental factors. Considering the heterogeneity of drivers, to study the impact of behavioral characteristics and environmental characteristics on the rear-end crash risk is essential to ensure driving safety. In this study, 16,905 car-following events were identified and extracted from Shanghai Naturalistic Driving Study (SH-NDS). A new SMoS, named rear-end crash risk index (RCRI), was then proposed to quantify rear-end crash risk. Based on this measure, a risk comparative analysis was conducted to investigate the impact of factors from different facets in terms of weather, temporal variables, and traffic conditions. Then, a mixed-effects linear regression model was applied to clarify the relationship between rear-end crash risk and its influencing factors. Results show that RCRI can reflect the dynamic changes of rear-end crash risk and can be applied to any car-following scenarios. The comparative analysis indicates that high traffic density, workdays, and morning peaks lead to higher risks. Moreover, results from the mixed-effects linear regression model suggest that driving characteristics, traffic density, day-of-week (workday vs. holiday), and time-of-day (peak hours vs. off-peak hours) had significant effects on driving risks. This study provides a new surrogate safety measure that can better identify rear-end crash risks in a more reliable way and can be applied to real-time crash risk prediction in driver assistance systems. In addition, the results of this study can be used to provide a theoretical basis for the formulation of traffic management strategies to improve driving safety.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 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 | 0,000 | 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 ».