Evaluating the effectiveness of Rectangular Rapid Flashing Beacons (RRFB) implementation using a before-after video-based surrogate safety approach
Bibliographic record
Abstract
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 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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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.
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".