Real‐time identification of traffic conditions prone to injury and non‐injury crashes on freeways using genetic programming
Notice bibliographique
Résumé
Summary This study applied the genetic programming (GP) model to identify traffic conditions prone to injury and property‐damage‐only (PDO) crashes in different traffic states on freeways. It was found that the traffic conditions prone to injury and PDO crashes can be classified into a high‐speed and a low‐speed traffic state. The random forest (RF) analyses were conducted to identify the contributing factors to injury and PDO crashes in these two traffic states. Four separate GP models were then developed to link the risks of injury and PDO crashes in two traffic states to the variables selected by the RF. An overall GP model was also developed for the combined dataset. It was found that the separate GP models that considered different traffic states and crash severity provided better predictive performance than the overall model, and the traffic flow variables that affected injury and PDO crashes were quite different across different traffic states. The proposed GP models were also compared with the traditional logistic regression models. The results suggested that the GP models outperformed the logistic regression models in terms of the prediction accuracy. More specifically, the GP models increased the prediction accuracy of injury crashes by 10.7% and 8.0% in the low‐speed and high‐speed traffic states. For PDO crashes, the GP models increased the prediction accuracy by 7.4% and 6.0% in the low‐speed and high‐speed traffic states. Copyright © 2016 John Wiley & Sons, Ltd.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,001 | 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 ».