Assessing the Effect of Weather States on Crash Severity and Type by Use of Full Bayesian Multivariate Safety Models
Notice bibliographique
Résumé
Rather than investigate the isolated effects of individual weather elements on crash occurrence, this study investigated the aggregated effect of weather states, defined as a combination of various weather elements (e.g., temperature, snow, rain, and wind speed), on crash occurrence. The main argument was that a combination of weather elements might better represent a particular weather condition and subsequent safety outcome. Therefore, to explore the effect of various weather states on crash severity and type, this study defined 12 weather states, based on temperature, snow, rain, and wind speed, and developed multivariate safety models by using 11 years of daily weather and crash data for Edmonton, Alberta, Canada. The proposed models were estimated in a full Bayesian context via a Markov chain Monte Carlo simulation, while a posterior predictive approach assessed the models’ goodness of fit. Results suggested that property-damage-only (PDO) crashes increased by 4.5% to 45% because of adverse weather states and showed that PDO crashes were more affected by adverse weather states than were severe (injury and fatal) crashes. For crash type, adverse weather states were associated with an increase of 9% to 73.7% for all crash types, with the highest increase for run-off-the-road crashes. Duration of daylight was found to be significant and negatively related to all crash types and PDO crashes. Sudden weather changes of major snow or rain were statistically significant and positively related to all crash types. Days of the week and seasons of the year were used as dummy variables and were statistically significant in relation to crash occurrence.
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 | 0,004 | 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 | 0,000 | 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 ».