인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
This study proposes a bi-level framework for real-time crash risk forecasting (RTCF) for signalised intersections, leveraging the temporal dependency among crash risks of contiguous time slices. At the first level of RTCF, a non-stationary generalised extreme value (GEV) model is developed to estimate the rear-end crash risk in real time (i.e., at a signal cycle level). Artificial intelligence techniques, like YOLO and DeepSort were used to extract traffic conflicts and time-varying covariates from traffic movement videos at three signalised intersections in Queensland, Australia. The estimated crash frequency from the non-stationary GEV model is compared against the historical crashes for the study locations (serving as ground truth), and the results indicate a close match between the estimated and observed crashes. Notably, the estimated mean crashes lie within the confidence intervals of observed crashes, further demonstrating the accuracy of the extreme value model. At the second level of RTCF, the estimated signal cycle crash risk is fed to a recurrent neural network to predict the crash risk of the subsequent signal cycles. Results reveal that the model can reasonably estimate crash risk for the next 20-25 min. The RTCF framework provides new pathways for proactive safety management at signalised intersections.
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
