An Investigation of At-Intersection Collisions in York Region
Notice bibliographique
Résumé
This paper will look to identify how the built environment can affect collisions at intersections. The Regional Municipality of York was used as the study area. York Region has areas of high-density traffic as well as rural regional road. Due to York Region’s proximity to Toronto there is also commuting traffic during rush hours. A literature review looked into different studies of traffic collisions. A focus of many was human factors, such as impaired driving, distracted driving and inexperience to name a few. For this paper, the focus is on the built features and how different design components of on intersection can affect the number of collisions. Using information from the literature review data was gathered for different built environment features, i.e. intersection type, bus stops and red-light cameras. Data was also gathered for collisions that occurred in York Region, this included the location, time of day, day of the week, and initial impact type. To evaluate how these features effected the number of collisions at an intersection, descriptive statistics, linear regression and qualitative analysis was used. The descriptive statistic shows an overview and percentage of accidents that occurred in separate groups. These groups include property damage, injury, and fatal accidents, traffic control types, and intersection types. Linear regression was used to determine which factors were increasing the number of accidents and which were helping to decrease accidents. Finally, qualitative analysis was used to study the intersections that had the top ten number of accidents that were fatal or injury. After completing the analysis, a case study was conducted on three intersections, one that has seen an increase in accidents one that has seen a decrease in accidents and finally one that has consistently had a high accident count. From all the information and analysis conclusions and recommendations were put forward to help improve road safety in York Region.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».