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 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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».