The Analysis of Driver’s Recognition Time of Different Traffic Sign Combinations on Urban Roads via Driving Simulation
Notice bibliographique
Résumé
Given the impact of traffic sign combinations (TSC) on the driver’s visual recognition, this paper analyzed the influence on the driver’s visual recognition process. It used the cognitive psychology theory to establish the information transmission model during the traffic sign combinations. It abstracted the information transmission model to construct the driver’s information processing model. Simultaneously, according to the analysis of the traffic sign combinations of the urban roads, this paper carried out the driver’s visual recognition simulation test when the traffic signs were combined, measured the reaction time of the driver’s visual recognition of multiple combinations of traffic signs, and analyzed the driver’s recognition time (DRT) range in the traffic sign combinations. It used correlation analysis, robust estimation, polynomial regression, and other methods to obtain a significant relationship between the driver’s recognition times in different traffic sign combinations (DTSC). Then it built polynomial regression analysis models, fitted the data, and visualized the fitting results. The results show that through the analysis of the experimental data, based on ensuring certain accuracy, the driver’s recognition time of the traffic sign combinations of the urban road increased appropriately. There is a significant relationship between different traffic sign combinations and the driver’s recognition time. As the number of traffic signs increases, the driver’s recognition time increases significantly. Besides, under certain conditions, gender, age, and the driving experience will impact the driver’s recognition time during the traffic sign combinations. The research results can provide the relevant theoretical basis for the setting of urban traffic signs, provide a powerful reference for the revision of various traffic sign setting standards and norms, and provide ideas for future research on the sign system.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».