Modeling traffic crash rates of road segments through a lognormal hurdle framework with flexible scale parameter
Notice bibliographique
Résumé
Summary This study examines distributional characteristics of crash rates for road segments using observed accident data. The results indicate that the distribution of crash rates is mixed and right‐skewed, which motivates the consideration of non‐normal distributions. With the aid of Kolmogorov–Smirnov tests, kernel density plots, and Q–Q plots, the lognormal distribution is verified as an appropriate candidate for representing the positive domain of crash rates. Then, a lognormal hurdle model was developed and also compared with gamma and Weibull hurdle models. Further, the lognormal hurdle model was revised by allowing the scale parameter to vary with respect to explanatory variables. Such a modification enables the heterogeneous skewness of samples to be captured while enhancing the modeling flexibility. The proposed model was also compared with a Tobit model, an alternative approach that treats crash rates as censored data. Among all these models, the proposed lognormal hurdle model with flexible scale parameter presents the best modeling performance, and the analyses also reveal that several explanatory variables affect crash rates through not only the location parameter but also the scale parameter in the lognormal model. This study finally attempted to inspect crash rates through count models, and it discovered that the proposed hurdle model is superior because it is able to output the whole distribution form of crash rates, whereas the crash count model can only provide the expected value of crash rates, provided the exposure variable servers as an offset term in the link function of the mean parameter. Copyright © 2015 John Wiley & Sons, Ltd.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».