Development and Evaluation of Geostatistical Methods for Estimating Weather Related Collisions: A Large-Scale Case Study
Notice bibliographique
Résumé
Winter driving conditions pose a real hazard to road users with increased chance of collisions during inclement weather events. As such, road authorities strive to service the hazardous roads or collision hot spots by increasing road safety, mobility, and accessibility. One measure of a hot spot would be winter collision statistics. Using the ratio of winter collisions (WC) to all collisions, roads that show a high ratio of WC should be given a high priority for further diagnosis and countermeasure selection. This study presents a unique methodological framework that is built on one of the least explored yet most powerful geostatistical techniques, namely, regression kriging (RK). Unlike other variants of kriging, RK uses auxiliary variables to gain a deeper understanding of contributing factors while also utilizing the spatial autocorrelation structure for predicting WC ratios. The applicability and validity of RK for a large-scale hot spot analysis is evaluated using the northeast quarter of the State of Iowa, spanning five winter seasons from 2013/14 to 2017/18. The findings of the case study assessed via three different statistical measures (mean squared error, root mean square error, and root mean squared standardized error) suggest that RK is very effective for modeling WC ratios, thereby further supporting its robustness and feasibility for a statewide implementation.
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 | 0,017 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 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 ».