Comparison of Two Negative Binomial Regression Techniques in Developing Accident Prediction Models
Notice bibliographique
Résumé
There are several regression techniques to develop accident prediction models. Model development and subsequently the results are affected by the choice of regression technique. The objective of this paper is to compare two types of regression techniques: the traditional negative binomial (TNB) and the modified negative binomial (MNB). The TNB approach assumes that the shape parameter of the negative binomial distribution is fixed for all locations, while the MNB approach assumes that this shape parameter varies with the location's characteristics. The difference between the two approaches in terms of their goodness of fit and the identification and ranking of accident-prone locations is investigated. The study makes use of a sample of accident, volume, and geometric data corresponding to 392 arterial segments in British Columbia, Canada. Both models appear to fit the data well. However, the MNB approach provides a statistically significant improvement in model fit over the TNB approach. A total of 100 locations were identified as accident-prone by both approaches. A comparison between the ranks showed a close agreement in the general trend of ranking between the two models. While the MNB approach appears to fit the data better than the TNB approach, there was little difference in the results of the identification and ranking of accident-prone locations. This is likely due to the nature of the application and the data set used. The difference in results will depend on the extent to which deviant sites exist in the data set.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».