Bayesian forecasting of short-term crash risk with conditional extreme value models: A comparison between one-stage and two-stage approaches
Notice bibliographique
Résumé
Extreme Value Theory (EVT) has become a widely used approach for quantifying crash risk from traffic conflict data. Most existing applications, however, rely on unconditional models, which fail to adequately capture dependence in extreme traffic conflicts and do not reliably predict future crash risk. To demonstrate the potential of conditional EVT models for advancing short-term crash risk forecasting, this study compares two conditional EVT approaches within a Bayesian framework that address extremal dependence from distinct perspectives. The first approach is the two-stage GARCH-EVT framework, where conditional mean and variance are modeled using GARCH-type specifications before EVT is applied to the standardized residuals. Both traditional and covariate-augmented variants are examined. The second approach uses a one-stage conditional peak-over-threshold (POT) model, represented by the score-driven POT model, which directly captures dynamics in the conditional exceedance probability and the distribution of exceedance sizes. Crash risk is quantified using two conditional tail risk measures, Value-at-Risk (VaR) and Conditional Value-at-Risk (CVaR), with forecasting performance evaluated through traditional and comparative backtesting. An empirical study examines rear-end conflicts collected at two signalized intersections over four observation days to generate one-cycle-ahead crash risk forecasts during the out-of-sample period. Traditional backtesting indicates that both the covariate-augmented GARCH-EVT and the score-driven POT approaches produce valid and comparable forecasts, with the two-stage method yielding estimates with lower uncertainty. Comparative backtesting, however, shows that the score-driven POT model achieves slightly superior forecasting accuracy. The weaker performance of the two-stage framework can be attributed to partial removal of extremal dependence, sensitivity to substitute values in cycles without conflicts, and the limitations inherent in its two-stage structure.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».