Investigation of model calibration issues in the safety performance assessment of Ontario highways
Notice bibliographique
Résumé
A set of Safety Performance Function (SPFs) commonly known as accident prediction models, were developed for evaluating the safety of Highway segments under the jurisdiction of Ministry of Transportation, Ontario (MTO). A generalized linear modeling approach was used in which negative binomial regression models were delevoped separately for total accidents and for three severity types (Property Damage Only accidents, Fatal and Injury accidents) as a function of traffic volume AADT. The SPFs were calibrated from 100m homogenous segments as well as for variable length continuous segments that are homogeneous with respect to measured traffic and geometric characteristics. For the models calibrated for Rural 2-Lane Kings Highways, the variables that had significant effects on accident occurrence were the terrain, shoulder width and segment lenght. It was observed that the disperson parameter of the negative binomial districution is large for 100m segments and smaller for longer segments. Further investigation of the dispersion parameter for Rural 2-Lane Kings Highways showed that the models calibrated with a separate dispersion parameter for each site depending on the segment length performed better that the model calibrated considering fixed dispersion parameter for all sites. For Rural 2-Lane Kings Highways, a model was calibrated with trend considering each year as a separate observation. The GEE (Generalized Estimating Equation) procedure was use to develop these models since it incorporated the temporal correlation that exists in repeated measurements. Results showed that integration of time trend and temporal correlation in the model improves the model fit.
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 | 0,014 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».