Analysis of Factors Affecting Winter Collision Severity
Notice bibliographique
Résumé
This paper presents the results of an analysis aiming at identifying the main injury severity factors associated with road collisions that occur during snowstorms, including traffic conditions, road geometry and environment, pavement surface conditions as well as vehicle and driver characteristics. A multilevel multinomial logit model is introduced for capturing the hierarchical nature of the collision data between individual collisions and the vehicles and persons involved. Different from past studies, the modeling effort focuses on the collisions that occurred over snowstorms so that the effect of weather related factors are not masked due to the imbalance of data sample between collisions occurred under normal conditions and those under snowstorms. This approach is also necessary for ensuring that the incremental effect of different weather severity, as well as winter road maintenance operations, could be captured. Collisions that occurred on a number of highway routes from the province of Ontario, Canada, over six winter seasons (2000-2006), were selected for this analysis. It was found that factors related to drivers (age, sex, condition), road characteristics (number of lanes, speed limit, road surface conditions), vehicle type, position in vehicle, use of safety belt, and traffic volume have statistically significant effects on collision severity outcome. In general, the modeling results indicate that good road surface conditions, high traffic volume, young and male drivers and new vehicles are associated with reduced injury severity levels. The authors' analysis, however, did not confirm the main finding from literature, that is, severer weather, such as higher precipitation intensity and wind speed, is associated with lesser collision severity.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».