Assessing Crash Reduction at Stop-Controlled Intersections: A Before-After Study of LED-Backlit Signs Using Crash and Conflict Data
Notice bibliographique
Résumé
This study evaluates the impact of light-emitting diode (LED) illuminated signs, known as active road signs, on road safety at urban intersections. Transportation safety specialists emphasize the importance of visibility and placement of signage. LED signs are increasingly deployed at accident-prone locations to improve safety and regulate traffic. This study focuses on stop-controlled intersections (SCIs) in Montréal, Québec, to propose a new backlit sign for evaluation. An unbiased experiment utilizing multinomial logistic regression (MNL) was designed to compare drivers’ reactions to different signage. Microscopic models based on observed turning movement counters (TMCs) were calibrated for conflict estimation using a genetic algorithm (GA). Generalized linear models (GLMs) estimated accident and conflict frequencies under different treatment scenarios. The results showed significant conflict reductions at intersections with LED-backlit signs (BLSs), including 65.5% at night and 46.8% in daylight. Pedestrian crossing conflicts decreased by 55.6% and 27.8%. This study introduces an evaluation framework that integrates driver compliance behavior into simulation and crash modeling to assess a newly designed BLS treatment. It provides a framework for assessing safety treatments in contexts where crash data are limited. Findings offer insights for improving SCIs and enhancing transportation safety using LED stop signs.
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 ».