Improving Transferability of Safety Performance Functions by Bayesian Model Averaging
Notice bibliographique
Résumé
A jurisdiction can import a safety performance function from another jurisdiction or another time period through model calibration. For the transfer to be achieved successfully, the calibrated model must sufficiently capture local road and traffic features. As proposed in the AASHTO Highway Safety Manual, the model calibration factor is estimated to be the ratio of the sum of observations in a local sample to the sum of predictions for the sample from the uncalibrated model. Although this approach may be adequate for overall goodness-of-fit measures, achievement of a satisfactory fit over all ranges of the covariates is not guaranteed. This paper seeks to address this limitation by investigating a new methodology for the transfer of models with four groups of sample data from Canada and Italy. First, the calibration factor approach was evaluated by the use of goodness-of-fit tests. Then, local models were developed and evaluated. For these models, a variety of random structures for frequentist and Bayesian approaches was explored with generalized linear regression, nonlinear mixed fitting, or Markov chain Monte Carlo simulation procedures. Finally, a Bayesian model averaging approach that integrated all considered models was investigated as an alternative to traditional model selection. This methodology did improve model transferability over all ranges of covariates, suggesting that Bayesian model averaging can be a sound alternative to conventional model calibration, especially when the flexibility and estimation ease of this technique are considered. Moreover, this approach is conceptually superior to selection of a single best model because it explicitly addresses model uncertainty.
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 | 0,032 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».