Investigation of the Influence of Boundary Data Assignment on the Development of Multimodal Macro-level Collision Prediction Models (CPMs)
Notice bibliographique
Résumé
Developing reliable collision prediction models (CPMs) at the Traffic AnalysisZones (TAZs) aggregation level requires accurate assignment for boundary geocoded data between adjacent TAZs.Traffic Analysis Zones (TAZs) are spatial divisions within a region commonly used for traffic analysis purpose.The boundaries of TAZs are frequently set to match the centerline of major roadway segments.Collision counts data has shown that significant proportion of collisions occur frequently on these major roadways.Consequently, the way in which collisions, and also other geocoded data, along TAZs' boundaries are assigned into adjacent zones is of interest because it has direct impact on the prediction ability of macro-level CPMs.In this study, data for 422 TAZs from the City of Ottawa was used to develop macro-level CPMs.Geocoded data on TAZ's boundary were assigned between adjacent TAZs using ten different assignment methods.Negative binomial regression (NB) was applied to develop CPMs for total, nonfatal injury, property damage only (PDO), bike-involved, and pedestrian-involved collisions.Many explanatory variables expected to have an effect on the roadway safety performance at the TAZ's level were aggregated to the TAZ's level.These independent variables were categorized into four data categories including roadway characteristics, socio-economic and demographic characteristics, exposure, and Transportation Demand Management (TDM) variables.In addition, Zero-inflated regression was used to model fatal collisions as a function of Vehicle Kilometre Travelled (VKT) and total lane kilometre (TLKM).Results of the developed models show that different geocoded boundary data assignment methods do affect the accuracy of developed CPMs results significantly.It was found that allocating boundary data to TAZs evenly improved modelTable C.4 Uncorrelated Independent Variables Combinations Models Independent Variables Combination Roadway characteristics, where the roadway classified based on roadway classes, and exposure variables.
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 | 0,021 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 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 ».