Analysis of Injury Severity Outcomes of Highway Winter Crashes: A Multi-level Modeling Approach
Notice bibliographique
Résumé
This paper presents a multilevel modeling framework for relating the injury severity of winter road collisions to various influencing factors such as weather and surface conditions, traffic conditions, road design and vehicle and driver characteristics. Thirty one road sections from across the province of Ontario, Canada were selected for this analysis, each representing an actual patrol route covered by a specific maintenance yard. Collisions over a period of six years (2000-2006) were analyzed using multilevel logistic regression for the conditional probability of a collision resulting in one of the pre-defined severity levels. Three levels of aggregation were considered for the data, namely: occupant based, vehicle based and collision based. It was found that a multilevel multinomial unordered logit model has a better fit to the data than multilevel sequential binary logistic models and multilevel multinomial ordered logit models. Furthermore it was found that results obtained from occupant based data are more reliable than vehicle and collision based data. It was found that factors related to drivers (age, sex, action, condition), collision impact location, road characteristics (condition, alignment, number of lanes), vehicle data (age, type, condition, manoeuvre, number), personal choices (position in vehicle, safety equipment used), weather conditions (precipitation type & intensity, temperature, wind speed, visibility), day of the week, lighting, speed limit, traffic volume and road surface conditions have statistically significant effects on collision severity outcome. In general, results indicate that poor weather, road surface conditions, high traffic volume, young and male drivers, new vehicles and good lighting conditions are associated with injury severity levels.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».