MétaCan
Menu
Retour à la cohorte
Enregistrement W4292295467 · doi:10.1155/2022/5662117

Lane-Filtering Behavior of Motorcycle Riders at Signalized Urban Intersections

2022· article· en· W4292295467 sur OpenAlexvenueno aff
Thanapol Promraksa, Thaned Satiennam, Wichuda Satiennam, Nopadon Kronprasert

Notice bibliographique

RevueJournal of Advanced Transportation · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic and Road Safety
Établissements canadiensnon disponible
Organismes subventionnairesKhon Kaen University
Mots-clésIntersection (aeronautics)Transport engineeringSimulationComputer scienceAutomotive engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

In developing countries, motorcycle riders typically perform lane filtering at signalized urban intersections. This study aims to determine the factors that affect the lateral clearance of motorcycle riders as they travel between two lanes of mixed traffic at signalized urban intersections in developing countries. In this study, an onboard measurement device was developed to measure the lane-filtering behavior of motorcycle riders. It was installed on a test motorcycle to continuously record the lateral clearance, riding behavior, and surrounding traffic conditions. Thirty participants rode the test motorcycle through a signalized urban intersection. Multilevel linear regression was applied to analyze the relationship between lateral clearance and relevant variables at a significance level of 0.05. The instant speed and side of the filtering motorcycle, condition of the lateral vehicle, type of lateral vehicle, and riding frequency of the motorcycle rider significantly influenced the lateral clearance. The findings of this study can contribute to filtering lane management, connected autonomous vehicles, and microscopic traffic simulations for motorcycles traveling in mixed traffic at signalized urban 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,213
Écart entre enseignants0,207 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetTraffic and Road SafetyTravaux en français237 207