Accident Prediction Models With and Without Trend: Application of the Generalized Estimating Equations Procedure
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».