Traffic Risk Assessment Based on Warning Data
Notice bibliographique
Résumé
To address the issues of insufficient danger excavation and long data collection period in traditional traffic risk assessment methods, this paper proposes a risk assessment method based on driver’s improper driving behavior and abnormal vehicle state warning data. Meanwhile, this paper analyses the built environment’s impact on traffic risk using the spatial econometric model. Firstly, a risk assessment system with the relative incidence of driver’s improper driving behavior (eye closure, yawn, and looking away) and abnormal vehicle state (rapid acceleration, rapid deceleration, and lane departure) warnings as assessment indicators is constructed. Then, the risk responsibility weights of each warning type were determined using the entropy weight method. The risk classification thresholds were determined based on the Gaussian Mixture Model algorithm. Finally, a spatial econometric model was used to quantify the impact of built environment factors characterized by Point of Interest (POI) data on regional traffic risk, with the results of risk class classification as the dependent variable. The data of bus vehicle warnings in Zhenjiang, Jiangsu Province, are employed as an example for validation. The geographic cell of 1 km × 1 km scale is applied as the basic risk assessment unit. The results show that the optimal risk classification threshold for road traffic risk levels I and II is 1.92, the accuracy rate of class classification is 79.3%; the optimal risk classification threshold for levels II and III is 0.75, and the accuracy rate of class classification is 83.4%. The number of residential areas, Point of Interest (POI) mixing degree, and bus stops were significantly and positively correlated with transit traffic risk. The study results provide references for developing customized accident prevention measures and the appropriate setting of urban supporting facilities.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».