Validation of Machine Learning Algorithms as Predictive Tool in the Road Safety Management Process: Case of Network Screening
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Safety performance functions (SPFs) are the key regression tools in the road safety management process (RSMP) and are used to predict crash frequency given a set of roadway and traffic factors. Although regression-based SPFs have been proven to be reliable tools for road safety predictive analytics, some limitations and constrains have been highlighted in the literature, such as the need to assume a probability distribution, the need to select a predefined functional form, possible correlation between independent variables, and possible transferability issues. An alternative to traditional regression models as predictive tools is the use of machine learning (ML) algorithms. This research compared the prediction performance of three well-known ML algorithms, i.e., support vector machine (SVM), decision tree (DT), and random forest (RF), with that of traditional SPFs, and applied and validated ML algorithms in network screening, which is the first step in the RSMP. To achieve these objectives, traditional SPFs using negative-binomial (NB) generalized linear regression were estimated and compared with ML algorithms using three different goodness-of -fit criteria. A data set of urban signalized and unsignalized intersections from two major municipalities in Saskatchewan (Canada) was considered as a case study. Ranking consistency tests of collision-prone locations identified using ML-based and SPF-based performance measures were conducted. The results showed that the consistency of ML-based measures in identifying hotspots was comparable to that of SPF-based measures, particularly the excess (predicted and expected) average crash frequency. Overall, the results of this research support the use of SVM, DT, and RF as predictive tools in network screening.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle