Daily Collision Prediction with SARIMAX and Generalized Linear Models on the Basis of Temporal and Weather Variables
Notice bibliographique
Résumé
Short-term collision prediction is a relatively new area of research in the field of traffic safety because of the high randomness of data and the methodological complexity. Motivated by requirements from frontline traffic operations and enforcement services, the authors conducted this study to develop models that predicted daily total collisions. The study started with decomposition analysis of time series data to determine trends, seasonality, and randomness of daily collisions before it proceeded with an investigation of potential collision contributors. Temporal factors (i.e., months, weekdays, and holidays) and weather forecasts (i.e., daily mean temperature, amount of rainfall, and amount of snowfall) were selected as predictive factors. Accordingly, the seasonal autoregressive integrated moving average model with external regressors (SARIMAX) was identified, and a series of SARIMAX models of different orders was estimated and diagnosed. A generalized linear model (GLM) was also developed and compared with the SARIMAX models by validation measures. Finally, a calibration mechanism was recommended to optimize predictions. Model validations provide evidence that both SARIMAX and GLM are adaptable; however, the SARIMAX models are a viable and preferable option because they can provide greater accuracy than GLM in the short-term prediction of collisions. The models developed in this paper are now being applied (a) to support scheduling of traffic operations, maintenance and enforcement, and dispatch of material and personnel resources and (b) to provide situation awareness for all road users and stakeholders.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».