Utilizing Partial Least-Squares Path Modeling to Analyze Crash Risk Contributing Factors for Shanghai Urban Expressway System
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Currently, frequent crash occurrences significantly influence traffic operation conditions and travel reliability for urban expressway systems. Therefore, it is vital to understand the crash occurrence mechanisms and then introduce safety improvement countermeasures. Emerging studies have been conducted to unveil the relationships between traffic operation conditions and crash occurrence with advanced traffic-sensing data. However, the majority of previous studies have only identified correlation relationships, which are insufficient for traffic-safety improvement. On the other hand, existing crash causal investigations have limitations of utilizing aggregated traffic-flow data and considering the crash occurrence mechanisms only in a reflective way (in contrast to the formative way). In this study, the confounding impacts among crash risk contributing factors and the crash causal relationships were revealed through the partial least-squares path modeling (PLS-PM) analysis approach. Data from the Shanghai urban expressway system in China were utilized for the empirical analyses. First, random forest models were adopted to rank the variable importance, and a total of six contributing factors were selected as inputs that feed into the PLS path models. Then, two different causal relationship structures (formative and reflective) were established, and the best-fitted model structures were identified. The results showed that average operation speed has negative impacts on crash occurrence, and the variables indicated that disturbed traffic flows have positive causal relationships. Finally, the analysis results shed some light on proactive safety management strategies.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 découle