A cross-comparison of different extreme value modeling techniques for traffic conflict-based crash risk estimation
Notice bibliographique
Résumé
• A comprehensive comparison of different extreme value modeling approaches for conflict-based crash frequency estimation is conducted. • The block maxima model, peak-over-threshold model, and their variants are included in the comparison. • Incorporating additional order statistics enhances predictive performance, especially with limited extreme conflict samples. • The dynamic threshold selection method outperforms the fixed threshold selection method in peak-over-threshold modeling. • Generally, integrating two conflict indicators leads to more accurate crash frequency estimation results. • The bivariate peak-over-threshold model with the dynamic threshold shows superior prediction accuracy over the bivariate block maxima model. Extreme Value Theory (EVT) models have recently gained increasing popularity for crash risk estimation using traffic conflict data. Extreme value modeling consists of two fundamental approaches: the block maxima approach and the peak-over-threshold approach, each with several variants. However, a comprehensive comparison of these two approaches and their variants in crash risk estimation is lacking. This study bridges this gap by comparing different extreme value modeling techniques and evaluating their performance in estimating crash frequencies. Within a non-stationary Bayesian hierarchical modeling framework, the analyzed models include the block maxima model, the r largest order statistic model, and the peak-over-threshold model with the fixed and dynamic threshold, across univariate and bivariate traffic conflict cases. The analysis utilizes modified time-to-collision and post-encroachment time conflict indicator data collected from four signalized intersections in the City of Surrey, British Columbia, Canada. The results show that incorporating additional order statistics in the r largest order statistic model improves predictive performance, particularly with limited extreme conflict samples. Moreover, employing the dynamic threshold within the peak-over-threshold model enhances model goodness-of-fit and yields more accurate crash frequency estimates compared to using the fixed threshold. While the performance of the block maxima and peak-over-threshold models varies with the selected conflict indicator in the univariate case, the bivariate peak-over-threshold model with the dynamic threshold exhibits superior overall prediction accuracy over the corresponding block maxima model. This is likely due to the effectiveness of the dynamic threshold in precisely identifying truly critical extreme conflicts.
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 | 0,012 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».