Vehicle Road Accident Prediction Model along Federal Road FT050 Kluang-A/Hitam-B/Pahat Route Using Excess Zero Data
Notice bibliographique
Résumé
Abstract Traffic accidents have become a major socio-economic problem in Malaysia as it is the primary cause of mortality. Over 60 percent of these fatal accidents occurred on rural roads. Nearly half of all fatalities took place on federal roads and over a quarter happened on state roads. It is also estimated that about 2 percent of the country’s Gross Domestic Product (GDP), or approximately RM 9 billion, is lost through road accidents. Previous studies managed to develop several models for modelling the occurrence of accidents, but most of these models have plenty of deficiencies. The following study focuses on stochastic regression models, such as Poisson, Negative Binomial, Zero-Inflated Poisson and Zero-Inflated Negative Binomial with excess zero outcomes on the response variables. Furthermore, in order to specify the regression relationship with a sophisticated result, R-statistical programming is used. The method used is also the updating approach in predicting potential road accidents, which can also produce an accuracy probability of hazardous locations. Based on road accident data collected over a five-year period from 2010 to 2014 at Federal Road F0050: Kluang-A/Hitam- B/Pahat in Johor, Malaysia, results of this study show that Zero Inflated model performed better, in terms of the comparative criteria based on the AIC value.
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 | 0,001 | 0,002 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».