Safety evaluation of left-turn priority phasing at Toronto intersections
Notice bibliographique
Résumé
Traffic accidents cause a huge loss to the society. According to statistics, 50% of all accidents occur at urban intersections and 47% of these are due to left-turn collisions. Countermeasure Implementation at these locations therefore can play a vital role in the improvement of traffic safety. This study illustrates a methodology for evaluation of urban 4-legged signalized intersections treated with left-turn priority phasing. The methodology is applied to three important collisions types: those due to left-turn collisions; those due to left-turn side impact collisions; and all impact types combined collisions. Data used in this analysis were obtained from the City of Toronto. Safety Performance Functions for left-turn and all impact types combined collisions which were developed by the City of Toronto, were calibrated and used in an empirical Bayesian methodology that was employed to estimate the expected frequency of accidents occurring at each intersection in order to evaluate the effectiveness of left-turn priority phasing in reducing this frequency. The results revealed that left-turn priority phasing can be an effective treatment for addressing and reducing the number of collision at signalized intersections. Flashing advance green phasing is more effective in improving safety for two of three types; all left-turn and all impact types combined collisions. Left-turn green arrow (protected/permissive) phasing is more effective for left-turn side impact collisions. By implementing this type of treatment, the number of crashes and the associated monetary loss to society could be significantly reduced.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».