Exploring the Impact of Rainfall on Vehicle Trajectory Patterns and Sideslip Risk: An Empirical Investigation
Notice bibliographique
Résumé
Understanding the sideslip risks of various trajectory patterns, as well as the impact of rainfall on them, is critical for improving road safety. However, the lack of precise classification indicators hampers systematic analysis of the variations in vehicle trajectory patterns. To address this, this study proposes a parameterized classification method for trajectories on curved segments, employing the radius and offset of the trajectory as the primary classification features and dividing the trajectories into nine patterns. These patterns represent variations from smaller to larger radii and inside to outside lane offsets, reflecting different driving behaviors and vehicle stability during vehicle cornering. Concurrently, the friction coefficient utilization rate is used to effectively compare vehicles’ sideslip risk under different weather conditions. Based on this, we construct a framework using computer vision technology for automatically identifying trajectory patterns and measuring sideslip risk. We conducted an empirical study on a highway‐curved segment with high sideslip risk in China and collected two datasets under clear and rainy conditions for analysis. The classification results show that the proposed method can effectively classify trajectories according to nine trajectory patterns. Comparative analysis reveals that vehicle trajectories in both the inside and outside lanes are notably more affected by rainfall compared to the middle lane. Meanwhile, trucks demonstrate a higher susceptibility to rainfall than cars. In addition, the analysis of the sideslip risk for different trajectory patterns discovers several high‐risk patterns. This study provides an effective approach for monitoring and analyzing the sideslip risk on curved segments, thereby contributing to the enhancement of road design and traffic safety management.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».