Community-Based Macrolevel Collision Prediction Models for Evaluating Road Safety Levels of Left-Turn and On-Street Parking Restrictions on Major Urban Corridors
Notice bibliographique
Résumé
The enormous social and economic burden imposed on society by injuries due to road collisions is a major global problem. Road authorities worldwide are researching ways to reduce this burden. Due to this ongoing work, a possible road collision pattern was discovered by the Insurance Corporation of British Columbia (ICBC) regarding factors related to unsignalized intersections. This pattern involved turning movements onto and off of major arterial routes at intersections without signalization as well as parking adjacent to such intersections. This study was commissioned to evaluate the road safety impacts on neighborhoods from banning left-turn and/or parking along urban arterial corridors at unsignalized intersections. Using recommended generalized linear regression modeling (GLIM) techniques, community based, macro-level collision prediction models (CPMs) were developed. Data was based on four arterial corridors in the City of Vancouver - Knight Street, Granville Street, Broadway Avenue, and 12th Avenue/Grandview Highway, including: collision claim, road attribute, and adjacent neighborhood trait data from 44 Traffic Analysis Zones (TAZs). Four land use stratifications were made in the data: Total, Residential, Mixed, and Commercial. Assuming a negative binomial residual distribution and standard statistical goodness of fit tests at a 95% level of confidence, ten new CPMs were successfully developed for total and rush hour (AM and PM) collision types. The models revealed that decreased collisions were associated with increases in restricted parking hours and left-turn hours at unsignalized intersections on urban arterial corridors. Further research is recommended, including application of these new models.
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 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| 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 ».