Temporal analysis of factors affecting injury severities of expressway rear-end crashes during weekdays and weekends
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
High fatality rates in frequent rear-end crashes have underscored significant safety concerns in China. This study aims to explore the mechanisms and determinants of rear-end crashes, with a particular focus on the factors influencing crash severity during weekdays and weekends (W-W). Employing the Random Parameter Logit Model (RPLM) to account for variability in data, we analyzed W-W rear-end crashes on the Beijing-Shanghai Expressway in Jiangsu province from 2017 to 2019, considering three severity levels: no injury, minor injury, and severe injury. Our comprehensive analysis covered variables from temporal, roadway, vehicle, crash, and environmental categories, alongside calculating the marginal effects of each significant variable on crash severity. Findings reveal temporal instability over the three-year period and notable differences in W-W crash severity. Out of all variables, four displayed random parameter characteristics, indicating potential interactions that influence crash outcomes. Specifically, our results indicate that rear-end crashes involving three or more vehicles on bridges are more likely to result in casualties. Interchange segments typically saw no injuries in two-vehicle crashes. Speeding during winter or on sunny days significantly increases the risk of injuries and fatalities. Furthermore, rear-end crashes in interchange areas during winter are particularly prone to causing injuries. These findings offer guidance for the development of effective safety countermeasures targed at different pediods.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découle