Evaluating the effectiveness of Rectangular Rapid Flashing Beacons (RRFB) implementation using a before-after video-based surrogate safety approach
Notice bibliographique
Résumé
Les usagers de la route vulnérables, la plupart des piétons, comptent pour presque 60% du nombre total des blessures sévères et décès à Montréal. Plus de 30% de ces collisions se produisent quand les piétons sont en train de traverser la rue. À cause de l’impact économique et social, il n’est pas surprenant que la sécuritaire routière pour des piétons soit une priorité pour beaucoup de villes comme Montréal. Pour améliorer la sécurité routière, les gouvernements implantent un ensemble de mesures qui incluent de redessiner des installations routières, ainsi que de déployer des mesures technologiques aux endroits cruciaux tel que les intersections et les passages pour piétons. Ces mesures incluent des systèmes avancés avec dispositifs de signalisation comme tel que les Feux Rectangulaires à Clignotement Rapide (FRCR) qui consistent en des feux clignotants qui sont activées pour les piétons; ils attirent l’attention des conducteurs et les encouragent à céder le passage aux piétons. Malgré la popularité de cette technologie, ils ont rarement été évalués dans la rue avec un faible volume de trafic comme dans des rues locales, sur des passages piétonniers dans des villes canadiennes. L’objectif de cette recherche est d’étudier la performance de FRCR en matière de sécurité routière avec une approche observationnelle avant et après la mise en place de la dite technologie. Pour aborder les lacunes de cette recherche, cette étude se concentre sur deux types de passages pour piétons: des passages pour piétons dans des rues locales avec un faible volumes de trafic, et aux rampes d’accès avec volumes de trafic élevés. Une méthodologie est proposée à cet effet en impliquant différentes étapes : i) collecte des vidéo donnée et les traités en utilisant des tâches manuelles et automatisés, ii) créations des mesures substituts et iii) une analyse statistique. En utilisant une approche avant-après l’implantation du FRCR, des vidéos données ont été collectés avant et après l’implémentation du traitement FRCR. Les indicateurs les plus importants utilisés pour évaluer la performance du traitement sont la vitesse des voitures, PET, le pourcentage d’activation du système, le taux d’usage des passages pour piétons et le taux de conducteurs qui cèdent le passage aux piétons. Des modèles statistiques (linéaire et logistique) ont été ajustés pour évaluer les données et les effets du traitement. De plus, le taux des ratios et statistiques générales ont été calculé pour évaluer l’efficace du FRCR. Finalement, un petit protocole piétonnier a été implémenté pour analyser l’enjeu de l’activation. Pour ce qui est des résultats principaux, on peut souligner que les taux d’activation pour les piétons sont très bas (entre 0-24%). Ainsi, la vitesse des voitures augmente dans les rues traitées avec peu de trafic. Cependant, la vélocité des voitures a été réduite aux rampes d’accès. En utilisant PET comme indicateur, on peut observer que les interactions entre des piétons et des voitures ne sont pas moins dangereuses après l’implémentation du FRCR. D’un autre côté, le taux de conducteurs qui cèdent le passage aux piétons a des résultats positifs et négatifs avec une hétérogénéité selon les endroits. Dans les résultats positifs, le taux d’usage des passages pour piétons augmente avec du FRCR, et le protocole piétonnier montre que l’efficacité du traitement peut être amélioré en utilisant une détection automatisée des piétons pour activer le système
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».