Assessing the Effects of Interchange Warning Systems on Driving Risk: A Driving Simulator Study
Notice bibliographique
Résumé
To investigate the effects of proactive safety control systems suitable for highway interchanges and improve road traffic safety. Simulated driving experiments were conducted to test the effects of the interchange warning system (IWS) on the ramp, merging section, diverging section, and accident section. Random forest (RF) and SHapley Additive exPlanations (SHAP) are used to analyze the effects between driving behavior and driving risk change in both situations without and with IWS. The results show that (1) as driving risk increases, drivers tend to increase the frequency of braking and engage in more comprehensive saccade behaviors. Concurrently, there is an increase in acceleration and speed variation, leading to a gradual decrease in speed. (2) Compared with the SVR and XGBoost, RF can better fit the nonlinear relationship between driving risk and driver behavior characteristics with the application of IWS. (3) The IWS mainly reduces driving risk by affecting operation behavior. When the mean speed, speed standard deviation (SD), acceleration SD, and maximum braking depth are at 40 to 70 km/h, 3 to 10 km/h, 0 to 0.6 m/s2, and 14 to 16, respectively, there is a significant reduction in driving risk. The application of the IWS expands the effective range of mean speed and speed SD for reducing driving risk to 40 to 100 km/h and 3 to 15 km/h, 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 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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».