Sensitivity of a real-time freeway crash prediction model to calibration optimality
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Real-time crash prediction models are often structured as general log-linear categorical models which must be calibrated using an extensive database. However, there is no method to optimally select the number of categories and the values that define the boundaries between categories when representing continuous measures as categorical variables within the log-linear model. This raises the question of how important the calibration is to the safety impacts estimated when using the crash prediction model. In this paper, we examined the impact that the process used to calibrate the crash prediction model has on estimates of safety impacts of a variable speed limit system. Two calibration methods were compared, namely a heuristic ad hoc method and a nearoptimal method. Both methods were applied to calibrate a crash prediction model using the same set of data from an urban freeway in Ontario, Canada. The calibrated crash prediction models are used to evaluate the safety benefits of a candidate variable speed limit system under three different traffic demand levels (Peak, Near-Peak, and Off-Peak). It was found that safety improvements estimated by the two calibrated crash prediction models are within approximately 13% of each other for the Peak and Near-Peak scenarios, but differ by a larger amount for the Off-Peak scenario. However, despite these differences in the estimated magnitude of the safety impacts, the sign of the impact (i.e. increase versus decrease in safety) were consistent irrespective of the calibration method used. The results suggested that the safety impacts provided by the crash prediction model are robust in that they are relatively insensitive to the optimality of the calibration.
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.
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 | 0,006 | 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 | 0,000 |
| 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 découle