Notice bibliographique
Résumé
Proactive and holistic safety management approaches should consider multi-modal crash risk. Cyclist crash risk should be prioritized given the high-severity of vehicle-cyclist crashes. Cyclist crash risk is difficult to quantify given the sparse nature of cyclist collisions and collisions in general. There is thus a need to develop a more proactive approach for multi-modal road-safety management by leveraging new technologies. This study proposes a conflict-based methodology to estimate cyclist crash risk using autonomous vehicle data, extrapolating from observed conflicts to real-time dynamic crash risk. Using 87 hours of data from an autonomous vehicle dataset from downtown Boston (nuPlan), traffic conflicts were identified. A Bayesian Hierarchical Extreme Value model was created representing driver and cyclist crash risk over short time intervals. This allows for identifying the real-time crash risk of various intersections and mid-blocks, enabling route-level safety metrics. The spatiotemporal characteristics of crash risk were examined in this study. Routes with cyclist facilities were found to be safer for cyclists, on average, than those with shared facilities. However, substantial fluctuations in crash risk were observed at different time intervals, with the shared facilities sometimes being safer than those with painted or buffered bicycle lanes. This highlights the need for real-time safety monitoring. At the user-level, a safest route application was also proposed, allowing for an impedance function to be developed based on real-time crash risk and the comparison of any number of nodes and links along a particular route.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 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 ».