Application of Conditional Deep Generative Networks (CGAN) in empirical bayes estimation of road crash risk and identifying crash hotspots
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
The conditional generative adversarial network (CGAN) is used in this paper for empirical Bayes (EB) analysis of road crash hotspots. EB is a well-known method for estimating the expected crash frequency of sites (e.g. road segments, intersections) and then prioritising these sites to identify a subset of high priority sites (e.g. hotspots) for additional safety audits/improvements. In contrast to the conventional EB approach, which employs a statistical model such as the negative binomial model (NB-EB) to model crash frequency data, the recently developed CGAN-EB approach uses a conditional generative adversarial network, a form of deep neural network, that can model any form of distributions of the crash frequency data. Previous research has shown that the CGAN-EB performs as well as or better than NB-EB, however that work considered only a small range of crash data characteristics and did not examine the spatial and temporal transferability. In this paper a series of simulation experiments are devised and carried out to assess the CGAN-EB performance across a wide range of conditions and compares it to the NB-EB. The simulation results show that CGAN-EB performs as well as NB-EB when conditions favor the NB-EB model (i.e. data conform to the assumptions of the NB model) and outperforms NB-EB in experiments reflecting conditions frequently encountered in practice (i.e. low sample mean crash rates, and when crash frequency does not follow a log-linear relationship with covariates). Also, temporal and spatial transferability of both approaches were evaluated using field data and both CGAN-EB and NB-EB approaches were found to have similar performance.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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