Developing Collision Prediction Models with Weather and Driver Characteristics Related Variables
Notice bibliographique
Résumé
This study analyzed and modeled the days of week variation of motor vehicle collision frequencies for the City of Edmonton, Canada, for a period of seven years (2003-2009). First, the study developed collision prediction models (CPMs) using the generalized linear modeling approach with a negative binomial (NB) error structure. These NB CPMs established a relationship between daily collision frequency and two weather related collision contributing factors, namely number of daylight hours, and number of snowfall hours. Daily collision frequency was found to be negatively associated with number of daylight hours. However, number of snowfall hours showed a positive correlation with collision frequency. Consistent spikes in collision frequency were also observed on Friday compared to other days of week. Weekend (Saturday and Sunday) and holiday showed less collision frequencies compared to Wednesday. However, Monday, Tuesday and Thursday were not significantly different from Wednesday with respect to collision occurrences. Next, the study developed a multinomial logistic (MNL) model to estimate the conditional probability of different age and gender categories of drivers involved in collision for each day of week considering collision had happened. The MNL model showed that male drivers were more likely to be involved in collisions on weekdays except Thursday, weekend, and holiday. Besides, drivers aged below 20 are the most vulnerable group during Friday-Sunday, weekend, and were followed by drivers aged between 20-30 and 30-40, respectively. On Tuesday and Thursday, drivers aged between 40-50 were least likely to be involved in collision with respect to drivers aged 60 and above.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».