Notice bibliographique
Résumé
Recently, there has been growing interest in using microsimulation models to assess the safety of road facilities by analyzing vehicle trajectories and estimating conflict indicators. Using microsimulation models in safety studies can have several advantages, although concerns have been raised about the ability of these models to represent unsafe vehicle interactions and near misses realistically as well as their need for rigorous calibration. The main objective of this study was to investigate the relationship between field-measured and simulated conflicts at an urban signalized intersection in Surrey, British Columbia, Canada. Sixty hours of recorded traffic data were collected in 2 days and used in the conflict analysis. Automated video-based computer vision techniques were used to extract vehicle trajectories and identify conflicts on all four approaches to the intersection. Conflict measures (e.g., time to collision) and location were determined and compared with simulated conflicts from a microscopic simulation model (VISSIM) using the Surrogate Safety Assessment Model (SSAM). A two-step calibration procedure was proposed to enhance correlation between simulated and field-measured conflicts. The first calibration step was matching actual field conditions (desired speed and arrival type) to ensure that VISSIM gives real average delay values. The second step was the use of sensitivity analysis followed by a genetic algorithm procedure to calibrate the VISSIM parameters that had the biggest effect on the simulated conflicts. Finally, conflict heat maps were provided to compare field-measured with simulated conflict locations. The results highlighted the importance of model calibration and identified several limitations of the SSAM.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».