Accident Prediction Models With and Without Trend: Application of the Generalized Estimating Equations Procedure
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
Accident prediction models (APMs) are useful tools for estimating the expected number of accidents on entities such as intersections and road sections. These estimates typically are used in the identification of sites for possible safety treatment and in the evaluation of such treatments. An APM is, in essence, a mathematical equation that expresses the average accident frequency of a site as a function of traffic flow and other site characteristics. The reliability of an APM estimate is enhanced if the APM is based on data for as many years as possible, especially if data for those same years are used in the safety analysis of a site. With many years of data, however, it is necessary to account for the year-to-year variation, or trend, in accident counts because of the influence of factors that change every year. To capture this variation, the count for each year is treated as a separate observation. Unfortunately, the disaggregation of the data in this manner creates a temporal correlation that presents difficulties for traditional model calibration procedures. An application is presented of a generalized estimating equations (GEE) procedure to develop an APM that incorporates trend in accident data. Data for the application pertain to a sample of four-legged signalized intersections in Toronto, Canada, for the years 1990 through 1995. The GEE model incorporating the time trend is shown to be superior to models that do not accommodate trend and/or the temporal correlation in accident data.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découle