“Tram Wrong Way” International Experience and Mitigation of Track Switch Errors
Notice bibliographique
Résumé
Trams can go the wrong way at track switches causing disruption and safety risks. In 2019 Melbourne experienced 370 incidents, Toronto 155, and Zurich 194. This paper explores wrong-way incident occurrences and mitigations. It explores literature, reviews global practice, and mines an incident database in Melbourne. Driver fatigue is the principal cause of rail crashes in Australia. Cognitive secondary tasks such as point and call (PAC) can focus vigilance, but no published evidence on PAC effectiveness on railways was found beyond laboratory experiments. However, this study found evidence of PAC effectiveness in San Diego and Toronto, with a broadly 30% to 40% incident reduction impact. International practice shows widespread occurrence of incidents. Automated switch control systems and the removal of driver in-cab control of points can reduce incident occurrence, but not entirely. San Diego has in-cab control but low incident rates, which result from PAC-type measures. A review of Melbourne incidents found that January/February and November are high incident months and Monday/Friday high incident days: each have special event working, and on Monday drivers may be starting a new week of shifts. During the day, early prepeak services, 10 a.m., and evening peaks had high incident occurrences, potentially associated with shift start/changing patterns. Incidents were highly concentrated: 42% at only 10% of switches. New drivers had high incident rates: 15% of incidents in Melbourne, 30% in Toronto, and 33% in Zurich involved drivers in their first year. Findings on incident mitigation and directions for future research are identified.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 tête enseignante, 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 ».