Random-Parameter Bayesian Hierarchical Extreme Value Modeling Approach with Heterogeneity in Means and Variances for Traffic Conflict–Based Crash Estimation
Notice bibliographique
Résumé
Using random parameters in combination with extreme value theory (EVT) models has been shown to capture unobserved heterogeneity and improve crash estimation based on traffic conflicts. However, in existing random-parameter EVT models, the predefined distribution means and variances for random parameters are usually constant, which may not capture unobserved heterogeneity well. Therefore, the present study develops a random-parameter Bayesian hierarchical extreme value model with heterogeneity in means and variances (RPBHEV-HMV) to better capture unobserved heterogeneity. The developed model offers two main advantages: (1) it allows random parameters to be normally distributed with varying means and variances; and (2) it incorporates several factors contributing to a heterogeneous distribution of means and variances of random parameters. Application of the developed model to conflict-based rear-end crash prediction was conducted at four signalized intersections in the city of Surrey, British Columbia, Canada. The modified time to collision was employed to fit the generalized extreme value distribution. Three conflict indicators and three traffic parameters were considered as covariates to capture nonstationarity in conflict extremes as well as heterogeneity in means and variances. The results indicated that the RPBHEV-HMV model outperforms existing RPBHEV models in terms of goodness of fit, explanatory power, and crash estimation accuracy and precision.
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 | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».