Investigation of a surrogate measure-based safety index for predicting injury crashes at signalized intersections
Notice bibliographique
Résumé
OBJECTIVES: The paper develops a machine learning-based safety index for classifying traffic conflicts that can be used to estimate the frequency of signalized intersection crashes, with a focus on the more severe ones that result in fatal and severe injury. The number of conflicts in different severity levels categorized by the safety index is used as an explanatory variable for developing statistical models for pro-actively estimating crashes. METHODS: Video-derived conflicts in different severity levels between left-turning vehicles and opposing through vehicles, a well-recognized severe injury crash typology at signalized intersections, were identified by jointly integrating the indicators of frequency and severity, using an autoencoder neural network integration method to develop anomaly scores. Regression models were then developed to relate crashes at the same intersections to the classified conflicts based on the value of their safety indexes. Cumulative Residual plots were investigated. Finally, equations defining the boundary between consecutive anomaly score levels were developed to facilitate application in practice. RESULTS: Regression models for total and fatal plus severe (FSI) crashes utilizing classified extreme conflicts based on anomaly scores were found to outperform the models using total conflicts. The improvement is more pronounced for FSI crashes. The results also suggest that the machine learning integration method can efficiently classify conflicts accurately according to crash severity levels since the higher anomaly score is associated with a higher crash severity level (i.e., FSI). CONCLUSIONS: The proposed framework represents a methodological advancement in traffic conflict-based estimation of crashes using a machine learning model to classify conflicts by their anomaly scores. For jurisdictions without the resources to develop such a model to classify conflicts for their own datasets, the simple equations defining the boundary between consecutive anomaly score levels could be used as an approximation.
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 | 0,000 |
| 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 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 ».