Evaluating the Safety Estimates of Transit Operations and City Transportation Plans
Notice bibliographique
Résumé
Modern transportation planning considers issues such as traffic mobility and pollution proactively. Road safety on the other hand is usually evaluated in a reactive manner, and only when safety problems arise. Therefore, several researchers developed macro-level collision prediction models (CPMs) that could assess road safety in a proactive manner, and provide a safety planning decision support tool to community planners and engineers. However, these models could not target the safety evaluation of different goals of a typical city transportation plan. The motivation for this research arose from the necessity of developing tools that could predict the safety effect of a typical city transportation plan such as changes in the transportation and transit network configurations, and ultimately evaluate the safety level associated with alternatives of different transportation plans and policies. A set of macro-level CPMs was developed to investigate the relationship between various transportation and sociodemographic characteristics, and the overall roadway safety. The developed models considered the Poisson variations and the heterogeneity (extra-variation) on the occurrence of collisions. Data from Metro Vancouver, British Columbia were used to develop models using a generalized linear modelling approach with a negative binomial error structure. Several transit-related variables were found to be statistically significant, namely bus stop density, percentage of transit-km traveled with regard to total vehicle-km traveled, and percentage of commuters walking, biking, and using transit. The developed CPMs were shown to relate total, severe, and property damage only collisions to the implemental aspects related to the goals of long-term transportation plans.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».