Modeling car and heavy commercial vehicle crashes on two-lane rural highways using the Poisson-Tweedie regression approach
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
This article develops vehicle type–based crash-prediction models for cars and heavy commercial vehicles (HCVs) as a function of the curve geometry and vehicle-based design consistency criteria under heterogeneous traffic conditions on two-lane, two-way rural highways, specifically in hilly terrains. A National Highway (NH-953) connecting Netrang and Rajpipla in India was selected. There are 38 curves in the study section, each having a different curve geometry. Speed data were collected using the radar gun for cars and HCVs. The geometric design consistency was evaluated using Criterion I (the difference between operating and design speeds). The results show that 53% of the curves for cars have good consistency, compared to 32% and 29% of the curves for HCVs, which have fair and poor consistency, respectively. The Poisson-Tweedie regression technique, which provides a unified framework to model over-dispersed, under-dispersed, zero-inflated, count-data, and multiple-response variables, was used to develop the crash prediction models. The results revealed that crashes (cars and HCVs) decrease as the curve radius, deflection angle, and length increase. Similarly, as the tangent length increases, the difference between operating and design speeds increases, making inconsistent highway alignment, resulting in increased chances of crashes. The results of the present study can help highway authorities to evaluate highway alignment consistency and develop corresponding proactive strategies to improve highway safety.
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 | 0,001 |
| 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 découle