Do Traffic Countermeasures Improve the Safety of Vulnerable Road Users at Signalized Intersections? A Combination of Case-Control and Cross-Sectional Studies Using Video-Based Traffic Conflicts
Notice bibliographique
Résumé
Driven by the vision of eliminating road fatalities, Vision Zero initiatives have been widely adopted by many cities around the world, with significant investment of resources in various safety countermeasures. However, there is still a lack of reliable quantitative evidence on the effectiveness of those countermeasures on the traffic conflict frequency at intersections. This research attempts to address this challenge with a combination of case-control and cross-sectional studies, aiming at quantifying the safety effects of three commonly applied Vision Zero countermeasures, namely, leading pedestrian interval, no right turn on red, and installation of a dedicated bicycle lane. A case study was conducted using video trajectory data from 10 signalized intersections in the City of Toronto, Canada. The traffic interactions between vehicles and vulnerable road users were extracted using a video data processing platform, and two surrogate measures of safety, including post-encroachment time and conflict speed, were obtained, and then used to classify the conflict severity into different levels. A comparative analysis using mixed-effects negative binomial regression was conducted to quantify the impacts of different treatments on the frequency of traffic conflicts under specific road weather and traffic conditions. The results show that these three types of traffic countermeasures can effectively reduce the frequency of high-risk and moderate-risk traffic conflicts, moderated by various traffic exposure and weather and environmental conditions and accessible pedestrian signals. These findings could help road safety engineers and decision makers make better informed decisions on their road safety initiatives and projects.
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 | 0,010 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».