Forecasting Road Traffic Accidents in Metro Manila Using ARIMA Modeling
Notice bibliographique
Résumé
In this paper, we have determined and analyzed the behavior of road traffic accidents (RTAs) in Metro Manila, Philippines over the period of 2012-2021, and created a forecast for the next 5 years using ARIMA modeling. This study used 10-year historical monthly data collated through the Metro Manila Accident Recording and Analysis System program for the years 2012 through 2021. Our result suggests that the total RTAs in Metro Manila gradually increased until the first quarter of 2020, then it plummeted and reached its lowest point in April 2020 due to COVID-19 lockdown. As lockdown eases, it bounced back but only halfway. Similarly, RTAs resulting in damage to property also bounced back to only halfway as lockdown eases, while RTAs resulting in injuries (fatal and nonfatal) bounced back to their normal range as before the lockdown. Despite the decrease in total RTAs, the ratio of RTAs resulting in injuries drastically increased during the lockdown due to reckless driving behaviors. Using Box-Jenkins methodology of ARIMA modeling, this study identified ARIMA (1, 1, 12) as the best model. With this model, the forecast shows that the total RTAs will stay halfway in 2022 and gradually decrease for the next 4 years.
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 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 | 0,002 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».