A Safety Evaluation Model of Intersections under Mixed Traffic Conditions Using Traffic Conflicts and Cloud Model
Notice bibliographique
Résumé
Safety evaluation of traffic conflict is a very important and challenging issue in evaluating intersection safety under incomplete traffic accident data conditions and is also one of the main safety surrogate measures of analyzing accident data recently. It helps to analyze and solve intersection problems comprehensively and deeply. From there, it helps to improve traffic safety as well as reduce the risk of traffic accidents at intersections. Various evaluation methods based on traffic conflict have been proposed to make conflict safety levels at intersections more consistent and objective. However, a major concern is that many existing measurements are still subjective and are not easy to obtain uniformly. This study aimed to develop a model for safety evaluation at intersections in a comprehensive way that may be expected to directly link to the severity of the accident from different evaluation indicators. First, the three factors, including time to collision (TTC), conflicting speed (CS), and deceleration rate (DR) to avoid a crash, are introduced into safety evaluation of conflicts as the indicators. And then, as regards the fuzziness and randomness of the evaluation indicators, the qualitative concept has to be converted into a quantitative one utilizing cloud model, which implements the natural transformation between the qualitative concept of the safety level of traffic conflict and the membership degree of the evaluation indicators corresponding to the different safety levels. Finally, an indicator weight model is built based on the information entropy and the AHP method to determine the safety level. We illustrate the practical implementation of the proposed method using actual data of a typical signalized intersection from Hanoi City of Vietnam. The results indicate that traffic conflict analyzed by the proposed method was appropriate with actual state of the intersection, and the proposed method is simple, effective, and feasible, so it has a certain application value.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».