Identifying High Collision Locations Without Traffic Volume Data
Notice bibliographique
Résumé
Safety network screening is used to identify road locations (particularly intersections and roadway segments) which exhibit an abnormally high number of expected collisions or an unusually high proportion of a certain configuration of collisions. The current state-of-the-art network screening methods rely on safety performance functions (SPFs) that require traffic volume as an input, but many cities in Canada, including the City of Saskatoon, do not collect traffic volume for every single segment within the city limits. Lack of traffic volume data for a study network severely restricts the applicability of a SPF-based network screening method. The binomial and the beta-binomial tests, however, are formal collision diagnosis tests that can be used to screen roadway networks that include roadway segments for which traffic volume data are not available. Unfortunately, previous studies have applied these two collision diagnosis tests without explicitly defining the circumstances that indicate which test is preferable. This study uses a formal statistical test known as the “overdispersion test” to determine when there is a need to apply the beta-binomial test instead of the binomial test to screen a roadway network. The study targeted uncontrolled major arterial segments in Saskatoon using five years (2005-2009) of collision data for the two most frequent collision configurations: rear end collision and side swipe same direction collision. The authors used ArcGIS to develop collision maps that visually display the screening results. The collision map will facilitate the governing agencies’ decision-making processes when selecting appropriate safety countermeasures to reduce target collision configurations at screened locations.
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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».