Investigating Pedestrian Crossing Patterns at Crossing Locations Based on Trajectory Data Collected by UAV
Notice bibliographique
Résumé
Previous studies on pedestrian crossing have mostly focused on pedestrian crossing decisions; while as an important behavioral aspect, the pedestrian crossing process, i.e., their motions during the entire crossing process, has been narrowly studied. Understanding how pedestrian moves across the street during their entire crossing process helps identify risky movements and reasons for such movements, which can further help in the implementation of effective countermeasures. Therefore, this paper proposed a new and easily applied approach for investigating and understanding the pattern of the pedestrian crossing process at crosswalks based on vision‐based trajectory tracking technology and UAV (unmanned aerial vehicle) data. This study uses UAV for collecting video data which is timesaving and has a sufficient coverage area, compared to other methods. For trajectory extraction, the vision‐based Deep‐SORT‐Yolov5 architecture is applied. An improved DBSCAN (density‐based spatial clustering of applications with noise) algorithm is introduced for clustering and identification of patterns of pedestrian crossing processes based on their trajectories. This approach is tested via a case study involving six marked crosswalks in Shanghai, China. By using the proposed method, different crossing patterns are extracted and compared. The results show reasonable outputs of trajectory patterns, which reasonably explain the potential instincts of the pedestrians and affecting factors on the behavior of the pedestrian crossing process. Suggestions are made based on the results. This paper contributes to a more comprehensive safety analysis of pedestrian crossings by considering the pedestrian crossing process. The model, along with the UAV‐based trajectory observation method, provides an easily‐applied and low‐cost way of traffic data collection for the purpose of pedestrian safety evaluation.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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 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 ».