Targeting Fatal Traffic Collision Risk from Prior Non-Fatal Collisions in Toronto
Notice bibliographique
Résumé
Abstract Research question How accurately can all locations of 44 fatal collisions in 1 year be forecasted across 1403 micro-areas in Toronto, based upon locations of all 1482 non-fatal collisions in the preceding 4 years? Data All 1482 non-fatal traffic collisions from 2008 through 2011 and all 44 fatal traffic collisions in 2012 in the City of Toronto, Ontario, were geocoded from public records to 1403 micro-areas called ‘hexagonal tessellations’. Methods The total number of non-fatal traffic collisions in Period 1 (2008 through 2011) was summed within each micro-area. The areas were then classified into seven categories of frequency of non-fatal collisions: 0, 1, 2, 3, 4, 5, and 6 or more. We then divided the number of micro-areas in each category in Period 1 into the total number of fatal traffic collisions in each category in Period 2 (2012). The sensitivity and specificity of forecasting fatal collision risk based on prior non-fatal collisions were then calculated for five different targeting strategies. Findings The micro-locations of 70.5% of fatal collisions in Period 2 had experienced at least 1 non-fatal collision in Period 1. In micro-areas that had zero non-fatal collisions during Period 1, only 1.7% had a fatal collision in Period 2. Across all areas, the probability of a fatal collision in the area during Period 2 increased with the number of non-fatal collisions in Period 1, with 6 or more non-fatal collisions in Period 1 yielding a risk of fatal collision in Period 2 that was 8.7 times higher than in areas with no non-fatal collisions. This pattern is evidence that targeting 25% of micro-areas effectively could cut total traffic fatalities in a given year by up to 50%. Conclusion Highly elevated risks of traffic fatalities can be forecasted based on prior non-fatal collisions, targeting a smaller portion of the city for more concentrated investment in saving lives.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».