Examination of Crash Variances Estimated by Poisson–Gamma and Conway–Maxwell–Poisson Models
Notice bibliographique
Résumé
The Poisson–gamma (negative binomial or NB) distribution is still the most common probabilistic distribution used by transportation safety analysts to model motor vehicle crashes. Recent studies have shown that the Conway–Maxwell–Poisson (COM–Poisson) distribution also is promising for developing crash prediction models. The objectives of this study were to investigate and compare the estimation of crash variance predicted by the COM–Poisson generalized linear model (GLM) and the traditional NB model. The comparison analysis was carried out with the most commonly employed functional forms, which linked crashes to the entering flows and other explanatory variables at intersections or on segments. To accomplish the objectives of the study, several NB and COM–Poisson GLMs (including flow-only models and models with several covariates) were developed and compared by using two data sets. The first data set contained crash data collected at signalized, four-legged intersections in Toronto, Ontario, Canada. The second data set included data collected on rural, four-lane, undivided highways in Texas. The results of this study show that the trend of crash variance prediction by COM–Poisson GLM is similar to that predicted by the NB model. The Spearman's rank correlation coefficients between the crash variance predicted by the COM–Poisson and the NB model confirmed that there was a perfect monotone increasing, and the values were highly correlated. This correlation means that a site characterized by a large variance would essentially be identified as such, whether the NB model or the COM–Poisson model was used.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».