Urban Arterial Accident Prediction Models with Spatial Effects
Notice bibliographique
Résumé
This paper investigates the inclusion of spatial effects in accident prediction models. Two types of spatial modeling techniques–-the Gaussian conditional autoregressive (CAR) and the multiple membership (MM) models–-were compared with the traditional Poisson–lognormal model. A variation of the MM model (extended MM or EMM) was also investigated to study the effect of clustering segments within the same corridor on spatial correlation. Full Bayes estimation was used by means of the Markov chain Monte Carlo methodology to estimate the parameters. The study made use of 281 urban road segments in Vancouver, British Columbia, Canada. Various traffic and geometric variables were included in the accident prediction models. The models were compared in terms of their goodness of fit and inference. For the data set under consideration, the results showed that annual average daily traffic, business land use, the number of lanes between signals, and the density of unsignalized intersections have significant positive impact on the number of accidents. The fitted CAR and MM models had significant estimates for both heterogeneity and spatial correlation parameters. The best-fit model was EMM, followed by CAR. Furthermore, a significant portion of the total variability was explained by the spatial correlation. A significant correlation was also found between the heterogeneity and spatial effects. This may be because neighboring road segments typically have similar environmental and geographic characteristics and thereby form a cluster with similar accident occurrence. The results also showed that corridor variation was a major component of total variability and that the spatial effects have been considerably alleviated by clustering segments within the same corridor.
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 | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».