Conflict Probability Prediction and Safety Assessment of Straight-Left Traffic Flow at Signalized Intersections
Notice bibliographique
Résumé
The safety of signalized intersections is of great concern. To allow for an effective evaluation measure on the safety level of intersections, traffic conflict analysis methods are commonly used. However, the existing literature has mainly focused on the statistical prediction of conflicts by using surrogate measurements, among which the spatial-temporal characteristics of the potential conflicts have been less addressed. In addition, most of the relevant studies rely on precise trajectory data, and the results could be limited to engineering applications when real-time/comprehensive trajectory data are not available. To address these issues, this study proposes a SICP (signalized intersection conflict probability) model to predict a straight-left traffic flow conflict with a spatial-temporal distribution in the heat map, which could effectively evaluate the traffic safety of the existing or prebuilt signalized intersections on urban roads. Firstly, the impact of vehicle movement characteristics on traffic conflict at signalized intersections was considered by incorporating the vehicle movement trajectory. Secondly, the signal phase was categorized in several stages (each phase contains switching and nonswitching stages); then, a vehicle-vehicle conflicts probability prediction model was established by integrating both horizontal and vertical arrival probability. Finally, to validate the performance of the proposed model, the measured data were collected from the intersection of Wushan road and Yuehan road in Tianhe District, Guangzhou, China. SSAM（Surrogate Safety Assessment Model）traffic conflict simulation was used to analyze the traffic conflict in the actual data and compared to the SICP model. A case study was conducted to reveal the evolution mechanism of the conflict risk coefficient at the signalized intersection and to estimate the safety status under the various security optimization strategies. The experimental results verified the effectiveness of the SICP model, indicating that the proposed model is effective in evaluating the safety level of existing or prebuilt signalized intersections.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».