Integrating Traffic Conflict Frequency and Severity Indicators to Estimate Pedestrian Safety Performance Functions for Signalized Intersections
Notice bibliographique
Résumé
Assessing intersection safety for pedestrians based on crashes can be challenging because of the paucity of crashes. This is why surrogate measures of safety, typically traffic conflicts, have been used as an alternative approach for such assessments. Insufficient sample size has also presented a challenge in developing conventional safety performance functions (SPFs) for estimating pedestrian crash frequency in a variety of Highway Safety Manual applications. This challenge can also be resolved with the surrogate measures approach, in that these measures can logically capture the effects of geometric and operational variables that influence safety, thereby providing a useful complementary approach for developing SPFs, especially where sample sizes are small. This paper develops SPFs for pedestrian crashes at signalized intersections based on traffic conflicts, and in the process, it advances the methodology for this approach. Machine learning was used to develop a data-driven safety index that integrates frequency and severity indicators. This index was developed to classify conflicts into groups using a database of pedestrian conflicts derived from video observations at 44 intersections in five Canadian cities. The frequencies of conflicts in these groups, and crashes at these intersections, were then utilized to estimate SPFs. The results are promising in that they demonstrate the potential of using machine learning to estimate SPFs using surrogate measures. The approach is especially important given the focus on pedestrian crashes in Vision Zero plans and the reality that crash samples are typically too small for estimating pedestrian SPFs that directly capture the effects of multiple variables.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».