A video-based methodology for extracting microscopic data and evaluating safety countermeasures at intersections using surrogate safety indicators
Bibliographic record
Abstract
Les piétons et les cyclistes sont parmi les usagers les plus vulnérables de la route puisque leurs accidents avec des véhicules motorisés entraînent des taux élevés de blessures et de décès pour ces usagers. La collecte de données pour les usagers de la route non-motorisés demeure un défi et les méthodes de collecte de données automatiques sont beaucoup plus avancés pour les usagers motorisés. Pour améliorer la sécurité des cyclistes et promouvoir le cyclisme urbain, les villes construisent des infrastructures pour les cyclistes comme des pistes cyclables et des sas vélo (« bicycle box »). Ces aménagements se sont répandus, mais en raison du manque de données et des problèmes avec la collecte de données automatique pour les cyclistes, peu d'études approfondies ont été réalisées pour mesurer les impacts sur la sécurité de ces infrastructures. La majorité des études de la sécurité des usagers non-motorisés repose sur des analyses traditionnelles des données d'accidents et de blessures. Une lacune importante de cette approche traditionnelle est la nécessité d'attendre que des accidents se produisent pendant plusieurs années pour effectuer les évaluations des traitements de sécurité. Parmi les alternatives aux méthodes d'analyse de la sécurité traditionnelles, se développent les méthodes substituts de sécurité qui peuvent fournir des données statistiquement suffisantes pendant une période de temps plus courte. Cependant, pour réaliser des études substituts de sécurité, des données microscopiques sur les usagers de la route sont nécessaires. Pour combler les lacunes de la littérature et améliorer la collecte de données microscopiques pour les usagers de la route non motorisés, cette thèse présente une méthode automatique (qui complète un système de suivi vidéo développé précédemment) pour classifier les usagers de la route dans des vidéos de circulation. Les usagers de la route sont classifiés en trois catégories principales: les piétons, les cyclistes et les véhicules motorisés, avec une précision globale de plus de 95 %. En plus de la capacité de cette méthode à compter les différents mouvements des usagers de la route (constituant des mesures d'exposition), cette méthode fournit des données microscopiques de trajectoire pour chaque type d'usager. En conséquence, la réalisation d'études substituts de sécurité automatiques, y compris des études impliquant des usagers non-motorisés, devient possible. Dans le cadre de cette thèse, la relation entre la mesure substitut de sécurité utilisée dans cette recherche, soit le temps post-empiètement, et des données historiques d'accidents a été étudiée et montre une forte corrélation. À l'aide de plusieurs heures de vidéo enregistrées dans un ensemble d'intersections à Montréal, analysées avec les techniques proposées, les effets de deux types d'infrastructures cyclables, à savoir les pistes cyclables et les sas vélo, ont été étudiés. Les résultats montrent que pour les interactions entre les cyclistes et les véhicules qui tournent, une piste cyclable sur le côté droit de la route est plus sûre que l'absence de piste cyclable ou qu'une piste cyclable sur le côté gauche de la route. De plus, l'étude de la sécurité des sas vélo aux intersections révèle que ce type d'installation est associé à une réduction significative de la sévérité des interactions (augmentation du temps post empiétement) entre les cyclistes et les véhicules.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".