A Nonparametric Approach to Road Safety Analysis - Does It Make a Difference?
Notice bibliographique
Résumé
In road safety research, it has long become a tradition to take a parametric approach to modeling road collisions, which has resulted in a variety of parametric approaches such as Negative Binomial, Poisson lognormal, zero-inflated Poisson, and random-effect models. While easy to apply and interpret, a parametric approach has several critical limitations due to the modeling requirement of assuming a specific distribution form for each model variable and a fixed functional relationship between each model parameter and the predictors. Violation of these assumptions could lead to biased and/or erroneous inferences on the effect of these predictors on the dependent variable (e.g. collision frequency). This paper introduces a data driven, nonparametric alternative - Kernel regression aiming at answering the question of whether or not it makes any meaningful differences as compared to the traditional parametric method. The proposed approach has been applied to model winter road collisions using a database containing hourly observations of collisions, road weather and surface conditions, and traffic counts on a set of highways in Ontario, Canada, over six winter seasons. The results from this approach have clearly shown that significantly nonlinear relationships exist between collision frequency and some condition factors, which have not been captured in the previous studies that use the parametric technique. Furthermore, the new approach also captures some moderating effects of several condition variables, which could be easily missed in the parametric analysis.
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 | 0,050 | 0,176 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,006 |
| 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 ».