Machine Learning Approach to Enhance Highway Railroad Grade Crossing Safety by Analyzing Crash Data and Identifying Hotspot Crash Locations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Safe railway operation is vital for public safety, the environment, and property. Concurrent with climbing amounts of rail traffic on the Canadian rail network are increases in the last decade in the annual crash counts for derailment, collision, and highway railroad grade crossings (HRGCs). HRGCs are important spatial areas of the rail network, and the development of community areas near railway tracks increases the risk of HRGC crashes between highway vehicles and moving trains, resulting in consequences varying from property damage to injuries and fatalities. This research aims to identify major factors that cause HRGC crashes and affect the severity of associated casualties. Using these causal factors and ensemble algorithms, machine learning models were developed to analyze HRGC crashes and the severity of associated casualties between 2001 and 2022 in Canada. Furthermore, spatial autocorrelation and optimized hotspot analysis tools from ArcGIS software were used to identify hotspot locations of HRGC crashes. The optimized hotspot analysis shows the clustering of HRGC crashes around major Canadian cities. The analysis of cluster characteristics supports the results obtained for causal factors of HRGC crashes. These research outcomes help one to better understand the major causal factors and hotspot locations of HRGC crashes and assist authorities in implementing countermeasures to improve the safety of HRGCs across the rail network.
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.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 découle