Novel Traffic Conflict-Based Framework for Real-Time Traffic Safety Evaluation Under Heterogeneous and Weak Lane-Discipline Traffic
Notice bibliographique
Résumé
The present study proposed a real-time traffic safety evaluation framework using macroscopic flow variables. To this end, open-access extended vehicle trajectories were employed. Rear-end traffic conflicts and macroscopic traffic flow variables were derived from the trajectory data and were integrated for real-time safety evaluation. The Proportion of Stopping distance ( PSD ) accounts for all types of interactions (both safe and unsafe) in the traffic stream; therefore, the same was adopted to analyze the rear-end traffic conflicts. A macroscopic indicator termed “time spent in conflict ( TSC )” was derived to evaluate the rear-end traffic conflicts. Machine learning models, namely, Random Forest (RF), Support Vector Machines (SVM), and eXtreme Gradient Boosting (XGB), were employed to predict TSCs using macroscopic traffic flow variables. The results revealed that the TSC computed based on PSD exhibits a reliable and explainable relationship with the macroscopic traffic flow variables. TSC computed based on PSD revealed that intermediately congested traffic flow conditions are critical in traffic safety and can be attributed to complex traffic phenomena such as traffic hysteresis, traffic oscillations, and increased speed variance. Moreover, a stable relation between traffic safety and traffic flow was suggested for varying threshold values. Among different machine learning models, the RF model was observed as the best-fitted model to predict TSC based on macroscopic traffic variables. TSC quantifies the safety status of a given traffic flow condition, where a higher value of TSC for a particular traffic flow condition indicates that vehicles prevail in the conflicting scenario for a longer time and, therefore, reflect higher operational risk. The developed machine learning model can be employed to predict TSC (operational risk) in real time using the macroscopic traffic flow variables and, therefore, facilitate traffic safety monitoring.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».