Modelling crash frequency and severity using global positioning system travel data: Evaluation of surrogate safety measures and development of a network screening model
Bibliographic record
Abstract
L'amélioration de la sécurité routière nécessite des méthodes de dépistage des réseaux routiers précises pour identifier et hiérarchiser les sites afin de maximiser l'efficacité des mesures d'amélioration mises en œuvre. Dans la phase de dépistage, les points noirs sont généralement identifiés à l'aide de modèles statistiques basés sur des données historiques d'accidents. Cependant, les bases de données des accidents sont sujettes à des erreurs et des omissions, et les méthodes basées sur les accidents sont réactives. Avec l'arrivée de les données de trajectoire du Système de Positionnement Global (GPS), les méthodes substituts de la sécurité, par nature proactives, ont gagné en popularité. Bien que les smartphones compatibles GPS puissent collecter des données sur les conducteurs avec cet outil peu coûteux, simple et convivial, peu d'études à ce jour ont analysé de grandes quantités de données GPS provenant de téléphones intelligents et considéré des modèles substituts de la sécurité pour le dépistage du réseau. L'objectif principal de cette thèse est de proposer et de valider un cadre de modélisation pour le dépistage du réseau basé sur les données GPS et les mesures substituts de la sécurité (SSM). Premièrement, les méthodes de collecte et de traitement des données GPS et des autres de données associées sont présentées. Des mesures de congestion spatio-temporelle ont été proposées et extraites et des techniques de visualisation ont été explorées. Les résultats ont montré que chaque période de pointe a une période d'apparition et une période de dissipation d'une heure. La congestion en soirée est plus importante et plus dispersée que le matin. La congestion sur les autoroutes, les artères et les collecteurs est plus variable pendant les périodes de pointe. Deuxièmement, différentes SSMs sont proposées et mises en corrélation avec la fréquence et la gravité des collisions. Les événements de freinage et accélération brusques sont corrélés positivement avec la fréquence des accidents. Un nombre plus élevé de véhicules est également associé à une gravité accrue des collisions. Les SSM des variables de trafic considérées comprennent l'indice de congestion (CI), la vitesse moyenne (V̄) et le coefficient de variation de la vitesse (CVS). CI est corrélée positivement avec la fréquence et présente une relation non monotone avec la gravité. V̄ a une corrélation négative avec la fréquence et n'a aucune relation statistique concluante avec la gravité des accidents. CVS est positivement lié à la fréquence et à la gravité accrue des accidents. Troisièmement, un modèle multivarié mixte a été mis au point pour prédire la fréquence et la gravité des collisions en intégrant les SSM dérivées des données GPS comme variables prédictives. Deux modèles sont estimés, à savoir un modèle de la fréquence des collisions avec une approche complètement bayésienne estimé à l'aide de l'approche « Integrated Nested Laplace Approximation » (INLA) et un modèle de la gravité des collisions intégré en utilisant un modèle logit multinomial fractionnel. Les résultats sont combinés pour générer la fréquence postérieure attendue des collisions à chaque niveau de gravité et classer les sites en fonction du coût total des collisions. Ce modèle de la fréquence des collisions s'avèrent précis à l'échelle du réseau, la majorité des SSM proposées étant statistiquement significatifs à un niveau de confiance de 95 %. Dans le modèle de la gravité des collisions, moins de variables sont significatives, mais l'effet de toutes les variables significatives est cohérent avec les résultats antérieurs. Les corrélations entre les classements prédits par le modèle et les données de collision sont de bonne qualité pour les carrefours (0,46) mais sont plus faibles pour les segments (0,25). La capacité à hiérarchiser les sites en fonction des données GPS et des SSM plutôt que des données historiques d'accidents est une contribution importante au domaine de la sécurité routière.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".