Real-time combined safety-mobility assessment using self-driving vehicles collected data
Notice bibliographique
Résumé
The study presents a real-time safety and mobility assessment approach using data generated by autonomous vehicles (AVs). The proposed safety assessment method uses Bayesian hierarchical spatial random parameter extreme value model (BHSRP), which can handle the limited availability and uneven distribution of conflict data and accounts for unobserved spatial heterogeneity. The approach estimates two real-time safety metrics: the risk of crash (RC) and return level (RL), using Time-To-Collision (TTC) as conflict indicator. Additionally, a Risk Exposure (RE) index was developed to reflect the risk of an individual vehicle to travel through a corridor. In parallel, the mobility of corridor were assessed based on the highway Capacity manual methodology using real-time traffic data (Highway Capacity Manual, 2010). The study used a 440-hour AVs' dataset of a corridor in Palo Alto, California. After normalizing for each LOS representation in the dataset, LOS E was identified as the most hazardous operating condition with the highest average crash risk. However, the time spent under different operating condition would affect the safety of individual vehicles traveling through a road facility (i.e., vehicle's exposure time). Accounting for exposure time, the vehicle has the highest chance of encountering an extremely risky driving condition at intersections and segments under LOS D and E, respectively.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 tête enseignante, 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 ».