Investigating and modeling crash risk for interactions between motorized and non-motorized in intersection center areas
Notice bibliographique
Résumé
OBJECTIVE: Motorized vehicles (MV) and non-motorized vehicles (NMV) are mixed in the intersection center area (ICA). This mixing leads to complicated interactions between vehicles, which seriously affects traffic safety, especially at mixed intersections of high density. To deep understanding of the interaction course between motorized and non-motorized vehicles in ICAs. METHODS: Two intersections with a high density of interaction behavior between motorized and non-motorized vehicles were investigated through high-resolution traffic video. Firstly, to extract high-precision trajectories from roadside video, we proposed a new trajectory extraction framework that integrates Yolov7, Deepsort, and the trajectory reconstruction algorithm, which integrated the social force model and particle filtering (SFPF) proposed in our previous research. Second, 183 complete interaction events between motorized and non-motorized vehicles were extracted based on the surrogate safety indicator TTC, and latent variables affecting the course of interaction behavior between motorized and non-motorized vehicles were defined based on turning direction, kinetic state, surrounding environment, signal light, vehicle action behavior, and types of NMV. Third, an ordered logit model was built to study the interactions. RESULTS: or lower): the turning directions of the two vehicles, their speeds, steering behaviors, the distance between the conflict point and the vehicle, and the surrounding environment. The vehicles entering the ICA 10 s before the end of the signal phase have a higher probability of having a serious crash event while making the interaction. CONCLUSIONS: The study contributes to developing active safety control and driver assistance strategies.
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 | 0,000 |
| 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 ».