Before–After Safety Evaluation Using Full Bayesian Macroscopic Multivariate and Spatial Models
Notice bibliographique
Résumé
Many studies have addressed spatial correlation in traffic collision modeling. It has been generally concluded that the inclusion of spatial correlation improves model goodness of fit and the precision of parameter estimates. However, the application in before–after safety evaluation has rarely been documented in the traffic safety literature. The objectives of the presented study were to ( a) apply both the univariate and multivariate full Bayesian (FB) spatial models in before–after safety evaluation and ( b) compare the results with those of nonspatial FB models. A reduction of the posted speed limit in urban residential neighborhoods in Edmonton, Alberta, Canada was used as a case study for the before–after safety evaluation. Yearly collision data and other neighborhood characteristics data were collected for a group of treated and reference neighborhoods to develop macroscopic models. The four models considered in this study were ( a) Poisson–lognormal, ( b) Poisson–lognormal with conditional autoregressive (CAR) distribution, ( c) multivariate Poisson–lognormal, and ( d) multivariate Poisson–lognormal with CAR distribution. The results showed that the multivariate Poisson–lognormal with CAR distribution model for collision severities outperformed the other three models according to the deviance information criteria. Parameter estimates showed slight differences across the models. However, for the current data set, the results of the before–after safety evaluation showed similar findings across the models. Estimated collision reductions were 13%, 24%, and 12% for total, severe, and property-damage-only collisions, respectively.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».