Using Macrolevel Collision Prediction Models to Conduct Road Safety Evaluation of Regional Transportation Plan
Notice bibliographique
Résumé
This paper describes the application of previously developed macro-level collision prediction models (CPMs) in a case study to evaluate the road safety of a regional transportation plan for the Greater Vancouver Regional District (GVRD) in British Columbia (BC), Canada. The research objective was to present and test model-use guidelines in a regional road safety planning application. The data used describes over 20 traits in each of over 400 GVRD neighborhoods, aggregated according to the traffic analysis zones (TAZs) used in the GVRD’s classic four-step regional transportation model, which runs on Emme/2 software (1). The CPMs were run to assess the resulting difference in 3-year collision predictions between a short-term regional transportation plan scenario, and a base “do-nothing” scenario. A review of the results found a lower predicted collision frequency region-wide due to the proposed transportation plan, versus a do-nothing scenario. These findings have been discussed, and recommendations have been made for future use of the CPMs in regional road safety planning applications, including interpretation of results. The application of macro-level CPMs to this regional case study proved a solid step in the development of new and improved empirical tools for planners and engineers to include road safety in the planning process. It is hoped that these models and model-use guidelines will facilitate improved decisions by community planners and engineers, and ultimately, facilitate improved neighborhood traffic safety for residents and other road users.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| 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 | 0,001 | 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 ».