Optimizing Pedestrian Safety in Real-Time: An Extreme Value Theory-Based Reinforcement Learning Framework
Notice bibliographique
Résumé
As cities continue to encourage active transportation, increased focus has been placed on pedestrian safety given their vulnerability and proneness to more severe crashes in environments where they coexist with other road users. Many cities have introduced pedestrian-friendly designs, such as raised crosswalks, narrowed lanes, and signal timing changes like Leading Pedestrian Intervals (LPIs), which allow pedestrians to enter intersections ahead of vehicles. This improves visibility, minimizes the number of unsafe interactions, and reduces the crash risk overall. Simultaneously, cities have been preparing for the massive introduction of connected and autonomous vehicles (CAVs), which will use vehicle-to-everything (V2X) communications to interact with infrastructure and enable real-time traffic optimization through Actuated Traffic Signal Controls (ATSCs). Despite these advances, few studies have focused on incorporating pedestrian safety metrics into the operation and optimization of advanced ATSCs. This work develops a novel framework that integrates real-time crash risk metrics using Extreme Value Theory (EVT) with a Reinforcement Learning (RL) controller that dynamically adjusts signal timings based on real-time traffic conditions. The proposed system selects between introducing an LPI or maintaining the standard phase sequence at each signal cycle by using a multi-objective function that considers both safety and mobility. Case studies at two intersections in Vancouver, Canada, show that the approach can substantially improve pedestrian safety while preserving acceptable traffic performance levels for all users. This is especially useful for locations with high pedestrian activity, where the algorithm is able to improve their safety without compromising mobility.
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».