Is that Move Safe? Case Study of Cyclist Movements at Intersections with Cycling Discontinuities
Notice bibliographique
Résumé
The cycling safety research literature has proposed methods to analyse safety and case studies to better understand the factors that lead to cyclist crashes. Surrogate measures of safety (SMoS) are being used as a proactive approach to identify severe interactions that do not result in an accident and interpreting them for a safety diagnosis. While most cyclist studies adopting SMoS have evaluated interactions by counting the total number of severe events per location, only a few have focused on the interactions between general directions of movement e.g. through cyclists and right turning vehicles. However, road users perform maneuvers that are more varied at a high spatiotemporal resolution such as a range of sharp to wide turning movements. These maneuvers (motion patterns) have not been considered in past studies as a basis for analysis to identify, among a range of possible motion patterns in each direction of travel, which ones are safer, and which are more likely to result in a crash. This paper presents a novel movement-based probabilistic SMoS approach to evaluate the safety of road users’ trajectories based on clusters of trajectories representing the various movements. This approach is applied to cyclist-vehicle interactions at two locations of cycling network discontinuity and two control sites in Montréal. The Kruskal-Wallis and Kolmogorov–Smirnov tests are used to compare the time-to-collision (TTC) distribution between motion patterns in each site and between sites with and without a discontinuity. Results demonstrate the insight provided by the new approach and indicate that cyclist interactions are more severe and less safe at locations with a cycling network discontinuity and that cyclists following different movements have statistically different levels of safety. (Author/publisher)
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».