Exploring Relationships between Months and Different Crash Types on Mountainous Freeways Using a Combined Modeling Approach
Notice bibliographique
Résumé
Investigating the relationship between the months and traffic crashes is a foremost task for the safety improvement of mountainous freeways. Taking a mountainous freeway located in China as an example, this paper proposed a combined modeling framework to identify the relationships between months and different crash types. K-means and Apriori were initially used to extract the monthly distribution patterns of different types of crashes. A graphical approach and a risk calculation equation were developed to assess the output of K-means and Apriori. Then, using the assessment results as the input, a logistic regression model was constructed to quantify the effects of each month on crashes. The results indicate that the monthly distribution patterns of different crash types are inconsistent, i.e., for a specific month, the high risk of a certain crash type may be covered up if experts only focus on the total number of crashes. Moreover, when identified as high-risk months by K-means and Apriori, the crash-proneness will significantly increase several times than months identified as high-risk by only one of K-means and Apriori, thereby illustrating the superior performance of the mix-method. The conclusions can assist local relevant organizations in formulating strategies for preventing different types of traffic crashes in different months (e.g., the risk of rear-end crashes in August, the risk of fixed-object hitting crashes in February, and the risk of overturning crashes in October) and provide a methodological reference for relevant studies in other regions.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».