Impact of jaywalking on pedestrian interaction behavior: A multiagent Markov Game-based analysis
Notice bibliographique
Résumé
Jaywalking behavior represents a major safety concern especially in traffic environments with intense pedestrian activity. Despite the influence of this behavior on crash risk given that drivers have unexpected interactions with pedestrians and must take additional evasive actions, limited pedestrian models have accounted for jaywalking behavior. This research uses Multiagent Adversarial Inverse Reinforcement Learning (MAAIRL) within a Markov game framework to model road user behavior in jaywalking scenarios at signalized intersections, offering a detailed representation of the dynamic and complex decision-making strategies of pedestrians and drivers in these situations. This approach enables obtaining reward functions that can be used to make inferences about their behaviors and optimal policies that represent the best sequences of decisions, which can be used in developing microsimulation models. Results show that jaywalking pedestrians exhibited erratic movements, with higher acceleration rates and unpredictable paths. In contrast, non-jaywalking pedestrians showed more predictable behavior with smaller variations in their paths and greater distances from vehicles while crossing. Additionally, jaywalking scenarios led to smaller time-to-collision (TTC) and post-encroachment time (PET) values, reduced minimum distances, and faster pedestrian movements compared to non-jaywalking scenarios, which shows the increased crash risks associated with jaywalking. Finally, the MAAIRL model was able to adequately learn the behaviors associated with both non-jaywalking and jaywalking pedestrians. This shows the potential of this framework to model complex real-world scenarios. These findings underscore the importance of improving pedestrian simulation models to take into account the distinct behavioral patterns associated with jaywalking, and such advancements can facilitate a more comprehensive examination of the safety impacts in busy pedestrian environments.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».