Causation Analysis of Hazardous Material Road Transportation Accidents by Bayesian Network Using Genie
Notice bibliographique
Résumé
With the increase of hazardous materials (Hazmat) demand and transportation, frequent Hazmat road transportation accidents had arisen the widespread concern in the community. Thus, it is necessary to analyze the risk factors’ implications, which would make the safety of Hazmat transportation evolve from “passive type” to “active type”. In order to explore the influence of risk factors resulting in accidents and predict the occurrence of accidents under the combination of risk factors, 839 accidents that have occurred for the period 2015–2016 were collected and examined. The Bayesian network structure was established by experts’ knowledge using Dempster-Shafer evidence theory. Parameter learning was conducted by the Expectation-Maximization (EM) algorithm in Genie 2.0. The two main results could be likely to obtain the following. (1) The Bayesian network model can explore the most probable factor or combination leading to the accident, which calculated the posterior probability of each risk factor. For example, the importance of three or more vehicles in an accident leading to the severe accident is higher than less vehicles, and in the absence of other evidences, the most probable reasons for “explosion accident” are vehicles carrying flammable liquids, larger quantity Hazmat, vehicle failure, and transporting in autumn. (2) The model can predict the occurrence of accident by setting the influence degrees of specific factor. Such that the probability of rear-end accidents caused by “speeding” is 0.42, and the probability could reach up to 0.97 when the driver is speeding at the low-class roads. Moreover, the complex logical relationship in Hazmat road transportation accidents could be obtained, and the uncertain relation among various risk factors could be expressed. These findings could provide theoretical support for transportation corporations and government department on taking effective measures to reduce the risk of Hazmat road transportation.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».