Intersection Complexity Quantification Considering Driver Behavior Characteristics and Subjective Cognition
Notice bibliographique
Résumé
Intersections with high complexity often present an increased risk of accidents, thereby reducing traffic safety. Current models for measuring intersection complexity primarily focus on objective factors that influence intersection operation. However, they fail to consider the impact of intersection complexity on driver behavior or the feedback mechanism drivers exhibit in response to complex traffic environments at intersections. This study aims to investigate the intrinsic connection between driver behavior and intersection complexity. A real‐vehicle experiment was conducted using three two‐phase signal‐controlled level intersections, each varying in objective complexity. Data on seven indices related to driver behavior characteristics and subjective cognition were collected from 28 participants during the experiment. Two methods were employed to analyze the data: (1) a descriptive analysis of driving behavior characteristics under varying levels of intersection complexity and (2) an entropy‐object topologically comprehensive evaluation method for measuring two‐phase intersection complexity based on driver behavior characteristics and subjective cognition. The results indicated that (1) drivers’ subjective perceptions of the complexity of two‐phase signal‐controlled intersections significantly differed from the calculated objective complexity, (2) differences in the effects of varying signal transition methods on driver behavior at complex intersections were not statistically significant, and (3) a two‐phase intersection complexity measurement model based on driver behavior characteristics and subjective perceptions was developed and validated. These findings contribute to understanding the intrinsic relationship between driver behavior and intersection complexity in urban settings. Future research could integrate intelligent algorithms to enhance the safety of autonomous vehicles navigating intersections.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».