MétaCan
Menu
← Back to cohort
Record W7161946036 · doi:10.82308/39107

Evaluating the effectiveness of Rectangular Rapid Flashing Beacons (RRFB) implementation using a before-after video-based surrogate safety approach

2021· dissertation· en· W7161946036 on OpenAlexaboutno aff
Jorge Guillermo Sanchez Mendez

Bibliographic record

Venuenot available
Typedissertation
Languageen
FieldEngineering
TopicTraffic and Road Safety
Canadian institutionsnot available
Fundersnot available
KeywordsWork safetyPower consumptionUrban environment

Abstract

fetched live from OpenAlex

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

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 imitation

Not 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.

metaresearch head score (Codex)0.002
metaresearch head score (Gemma)0.008
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.018
Threshold uncertainty score0.035

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0020.008
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0010.000
Science and technology studies0.0000.000
Scholarly communication0.0010.001
Open science0.0010.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0050.001

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.

Opus teacher head0.020
GPT teacher head0.316
Teacher spread0.296 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2021
Admission routes1
Has abstractyes

Explore more

Same topicTraffic and Road Safety→French-language works237,207→