A Model for Evaluating Countermeasures at Highway–Railway Grade Crossings
Notice bibliographique
Résumé
Current collision prediction models fail to account for the full spectrum of relevant factors affecting the number of collisions at specific highway– railway grade crossings. A number of reasons contribute to this failure, including biases in model parameters resulting from collinearity in the model inputs, absence of important variables in the prediction model caused by lack of statistical significance, the inability of models to consider higher-order interactions, and the presence of unexplained variation in the prediction estimates. These problems have compromised the use of collision prediction models in decisions concerning the development and evaluation of cost-effective safety treatments or countermeasures for application at specific crossings. This paper introduces a stratified collision prediction model for highway–railway grade crossings. The development of this model involves three steps: ( a) crossing inventory variables are expressed in terms of a limited number of orthogonal (nonlinear) underlying attributes or factors; ( b) factor scores are estimated for each crossing and factor, and these scores are used as “seed points” in a subsequent clustering exercise to yield groups or clusters of crossings with similar underlying attributes; and ( c) for each cluster, separate collision prediction models are developed and include important treatment input variables of interest to decision makers and planners. The paper describes an application of a stratified collision prediction model to Canadian highway–railway grade crossing inventory and collision occurrence data for the period 1993 to 2001. The usefulness of the model in estimating collision reduction benefits of selected treatments is illustrated with reference to two countermeasure strategies: upgrades in the type of warning device and the removal of whistle prohibition.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».