Improving Cyclists’ Safety Using Intelligent Situational Awareness System
Notice bibliographique
Résumé
According to the World Health Organization (WHO), over 1.35 million people died in road traffic-related accidents worldwide in 2020 of which 41,000 are related to the cyclists. Bike safety is one of the most serious issues facing urban riders. According to Statistics Canada, this number represents 1654 cyclist deaths in Canada, an average of 74 deaths each year from 2006 to 2017. Cyclists are a critical component in traffic collisions, where they face a greater risk of serious injury or death. As a result, they are classified as vulnerable road users. To avoid this, the need for intelligent transportation systems (ITSs) that increase susceptible cyclists’ awareness of their surroundings is becoming apparent. As a result, we proposed a situational awareness system as part of ITS to enhance bike safety through the employment of three layers of applications: (1) the users tier (mobile application), (2) the virtual private server (VPS) and processing system, and (3) the database management system (DMS). These decision support systems (DSSs) improve vulnerable road users’ situational awareness by identifying high-risk regions for cyclists or motorcyclists using static and dynamic data and then notifying vulnerable road users. The suggested situational awareness system collects and integrates incoming data, prioritizes criteria, and notifies users based on a static hot-spot map produced from accident locations and dynamic data, such as traffic flow, weather conditions, and the user’s speed. The developed work made use of both single threading (for requests from less than 1000 users) and multi-threading (for requests from more than 1000 users), resulting in a highly scalable system based on an open source platform for higher numbers of requests.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».