Collision risk analysis and evaluation of countermeasures at highway-railway grade crossings
Bibliographic record
Abstract
Les collisions entre trains et vehicules aux croisement de voies ferrees etant au meme niveau de routes canadiennes (aux passages a niveau) pour l'industrie ferroviaire et pour le autorite gouvernementales au Canada. Les collisions entre trains et vehicules representent plus de la moitie des accidents ferrovaires a chaque annee au Canada. En vue d'adresser ce probleme, les autorites gouvernementales et haut-dirigeants de l'industrie ferroviaire travaillent a trouver des solutions a ce probleme qui portent sur l'implantation de mesures preventives en matiere de securite et sur l'amelioration systematique des passages a niveau, en particulier ceux qui sont classees comme etant intersections de voies ferrees et autoroutes publiques. Ce rapport vise a 1) mettre a jour un outil d'analyse de securite que l'on appelle <> et 2) evaluer les benefices en matiere de securite en considerant les differentes mesures preventives sur le territoire canadien. Pour accomplir ceci, des ensembles de donnees se reliant aux instances de collisions et gravite de blessures, sont constuits. En utilisant des methodes statistiques de regression, des modeles sur la frequence des collisions et sur la gravite des blessures sont developpes. Le lien entre le risque de collision et les caracteristiques physiques des passages a niveau est alors etabli. Les caracteristiques physiques comprennent la geometrie des routes et voies ferrees, les limites de vitesse, le volume de circulation des vehicules et des trains, et les dispostifs d'avertissement. Cette analyse est effectuee en utilisent les donnees historiques sur les collisions entre vehicules et trains entre les annees 2002 et 2010. Par la suite, des facteurs de modification/determination de collisions pour mesures preventives aux passages a niveau sont etablis en utilisant les modeles developpes, etudes anterieures et conseils d'experts dans le domaine. Les mesures preventives les plus efficaces sont identifiees. Leurs avantages en matiere de securite sont egalement quantifies. Ce travail est destine a aider dans la determination de mesures preventives etant egalement rentables par rapport aux couts.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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 source (direct Gemma or distilled Codex), 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".