Crash Frequency Minimization with Severity Mitigation in Road Geometric Design Using Chance Constraint Programming Optimization
Notice bibliographique
Résumé
Crash frequency and crash severity are two major aspects of transportation safety. In this paper, we propose a decision‐making scheme combining statistical analysis and optimization modeling to be used in transportation safety study. We conduct a safety analysis, a travel speed analysis, and an optimization analysis to develop a two‐stage decision scheme to minimize crash frequency while mitigating crash severity, using data collected in urban environments in Lincoln, Nebraska. In the safety analysis and the travel speed analysis, we study the impact of lane width and other related road geometric design parameters on annual crash frequency and vehicle travel speed using count models and linear regression models, respectively. In the optimization analysis, the proposed two‐stage stochastic programming model determines the lane width and other road geometric design parameters in the first stage, and then the posted road speed limit in the second stage for each scenario. To mitigate crash severity, we use a chance constraint to restrict a certain percentile of the vehicle travel speed to comply with the posted road speed limit. This two‐stage decision scheme is shown to be effective for the data collected in Lincoln, Nebraska, when restricting the vehicle travel speed of up to two positive standard deviations from the mean travel speed to be under the posted speed limit. The application of a stochastic programming model that utilizes regression analysis results serves as an innovative decision scheme that effectively connects statistical analysis and optimization studies in road geometric design for transportation safety. Its objective is to minimize crash frequency while simultaneously mitigating crash severity. This methodology has extensive potential for application in various environments to assist in the reduction of both crash frequency and crash severity.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».