Investigating the influence of socioeconomic factors on the relationships between road characteristics and traffic crash frequency and severity-- A hybrid structural equation modelling − artificial neural networks approach
Notice bibliographique
Résumé
Traffic crashes result from complex interactions between driver, roadway, and environmental factors, which traditional methods often fail to capture. This paper investigates the influence of road, weather, and socioeconomic factors on traffic crashes, using a two-stage hybrid Structural Equation Modelling (SEM)-Artificial Neural Networks (ANN) approach to capture the complex relationships between these factors and crash intensity, a variable that jointly captures the frequency and severity of crashes. A database from Ohio collector road segments served as the case study in this novel hybrid approach, which utilized SEM to analyze the complex and moderating relationships between different factors and crash intensity. SEM revealed significant relationships between crash intensity and factors such as "Horizontal Curve," "Road" (AADT and surface width index), "Segment Length," "Speed Limit," "Vertical Curve," and "Vehicle Possession." Based on the SEM results, "Vehicle Possession" significantly moderated the relationship between "Horizontal Curve" and crash intensity. In the next step, ANN further identified key predictors, including "Segment Length," "Road," the interactions of "Vehicle Possession-Speed Limit," "Vehicle Possession-Vertical Curve," and "Age-Road." The findings highlight the advantage of the complementary application of linear and nonlinear methods in providing invaluable theoretical and methodological insights for crash data analysis.
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 | 0,001 | 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 | 0,000 |
| 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 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 ».