Bayesian Hierarchical Modeling Monthly Crash Counts on Freeway Segments with Temporal Correlation
Notice bibliographique
Résumé
As the basis of traffic safety management, crash prediction models have long been a prominent focus in the field of freeway safety research. Studies usually take years or seasons as the observed time units, which may result in heterogeneity in crash frequency. To eliminate that heterogeneity, this study analyzes monthly crash counts and develops Bayesian hierarchical models with random effects, lag-1 autoregression (AR-1), and both (REAR-1) to accommodate the multilevel structure and temporal correlation in crash data. The candidate models are estimated and evaluated in the freeware WinBUGS using a crash dataset obtained from the Kaiyang Freeway in Guangdong Province, China. Significant temporal effects are found in the three models, and Deviance Information Criteria (DIC) results show that taking temporal correlation into account considerably improves the model fit compared with the Poisson model. The hierarchical models also avoid any misidentification of the factors with significant safety effects, because their variances are greater than in the Poisson model. The DIC value of the AR-1 model is substantially lower than that of the random effect model and equivalent to that of the REAR-1 model, which indicates the superiority of the lag-1 autoregressive structure in accounting for the temporal effects in crash frequency.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».