Road Accident Analysis and Prevention Using Autonomous Vehicles with Application for Montreal
Notice bibliographique
Résumé
Road safety in cities is becoming a bigger concern worldwide. As more people own cars and traffic congestion increases on old roads, the risk of accidents also grows, which severely affects victims and their families. In 2023, data from the Société de l’Assurance Automobile du Québec (SAAQ) reported that 380 people died in traffic accidents in Quebec. A study of road accidents in Montreal between 2012 and 2021 looked at the most dangerous locations, times, and traffic patterns. In this paper, we investigate the role of autonomous vehicles (AVs) vs human-driven vehicles (HDVs) in reducing road accidents in mixed traffic situations. The reaction time of human drivers to road accidents at signalized intersections affects safety and is used to compare the difference between the two situations. Microscopic traffic simulation models (MTMs) namely the Krauss car-following model is developed using SUMO to assess the vehicles performance. Case study 1 assesses the effect of reaction time on human-driven vehicles. The findings show that longer reaction times lead to more collisions. Case study 2 looks at autonomous vehicles and how human-driven vehicles interact in mixed traffic. The simulations tested various levels of AV penetration (0%, 25%, 50%, 75%, and 100%) in mixed traffic and found that more AVs on the road improve safety and reduce the number of accidents.
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 ».