A Comparison between Parametric and Nonparametric Approaches for Road Safety Analysis – A Case Study of Winter Road Safety
Notice bibliographique
Résumé
In road safety research, a parametric approach is commonly applied in modeling road collisions, which have resulted in many different types of models such as Poisson, Negative Binomial and Poisson lognormal. While easy to apply and interpret, a parametric approach has several critical limitations due to the modeling requirement of assuming a specific probability distribution form for each model variable (e.g. collision frequency) and a pre-specified functional relationship between each model parameter and the predictors. These assumptions, if violated, could lead to biased and/or erroneous inferences on the effect of these predictors on the dependent variable. This paper introduces a data-driven, nonparametric alternative called Kernel regression, which circumvents the need for the aforementioned assumptions. This paper compares the parametric and nonparametric approaches through an empirical study using a large dataset consisting of hourly observations of collisions, road weather and surface conditions, and traffic counts from highways in Ontario, Canada, over six winter seasons. It is shown that the nonparametric approach has the advantage of being able to capture the significant nonlinear and interacting effects of some condition factors. The paper also illustrate the practical implications of the differences between the two approaches, including evaluation of the risk levels of road surface conditions for the road users and quantification of safety benefits of maintenance operations for transportation authorities.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».