سایپرز، باشگاه دانش - ارائه دهنده مقالات ژورنالهای خارجی

اطلاعات و مشخصات مقاله

explorer iconلينك‌ها

[ بازگشت | جستجو | فهرست کلمات کلیدی | فهرست موضوعات | فهرست نویسندگان | فهرست ناشران | فهرست ژورنالها ]

info iconاطلاعات مقاله

[ 315 بار مشاهده چكيده]

عنوان مقاله:اثرات همبستگی مکانی در پارامتر تصادفی برخورد مدل تعداد داده
ناشر: [ Elsevier BV ]
ژورنال
دوره (شماره): (0)
سال انتشار:January 2015
شماره صفحات: 284228-42
نشانگر دیجیتالی شیء:[ 10.1016/j.amar.2015.02.001 ]
شما اینجا هستید:
  1. Scipers, the Knowledge ClubScipers »
  2. Elsevier BV »
  3. Analytic Methods In Accident Research »
  4. Effects of spatial correlation in random parameters collision count-data models

report iconنمايش خلاصه مقاله

Effects Of Spatial Correlation In Random Parameters Collision Count-data Models


مقاله: اثرات همبستگی مکانی در پارامتر تصادفی برخورد مدل تعداد داده

نويسند‌گان:


خلاصه مقاله:


This study investigated the inclusion of spatial correlation in random parameters collision count-data models. Three different modeling formulations were applied to measure the effects of spatial correlation in random parameters models using three years of collision data collected from two cities, Richmond and Vancouver (British Columbia, Canada). The proposed models were estimated in a Full Bayesian (FB) context using a Markov Chain Monte Carlo (MCMC) simulation. The Deviance Information Criteria (DIC) values and chi-square statistics indicated that all the models were comparable to one another. According to the parameter estimates, a variety of traffic and road geometric covariates were found to significantly influence collision frequencies. For the Richmond dataset, only 38.3% of the total variability was explained by spatial correlation under model with both heterogeneous effects and spatial correlation (Model C), as most of the variations were likely captured by heterogeneous effects and site variation. For the Vancouver dataset, the effects of spatial correlation were much clearer, with a high percentage of the total variability (83.8%) explained by spatial correlation under Model C. Moreover, model estimation results showed that the precision of parameter estimates slightly improved by inclusion of spatial correlation when the sample size was small. However, parameter estimations did not change significantly and goodness of fit did not improve which indicate that it cannot be substantiated with the current datasets that the random parameters model with both heterogeneous effects and spatial correlation is better than other models investigated. Therefore, further studies with different datasets are needed to get more clear understanding of the added benefits of incorporating spatial correlation in random parameters model.


این مطالعه با هدف بررسی گنجاندن همبستگی مکانی در پارامترهای مدل برخورد شمارش-داده های تصادفی. سه فرمولاسیون مدل های مختلف برای اندازه گیری اثرات همبستگی مکانی در پارامترهای مدل تصادفی با استفاده از سه سال از داده های جمع آوری شده از برخورد دو شهرستانها، ریچموند و ونکوور (بریتیش کلمبیا، کانادا) استفاده شد. مدل ارائه شده در بیزی (FB) متن کامل با استفاده از یک مارکوف های زنجیره ای مونت کارلو (MCMC) شبیه سازی برآورد شد. ضوابط اطلاعات انحراف (DIC) ارزش ها و آمار کای دو نشان داد که تمام مدل به یک دیگر قابل مقایسه بودند. بر اساس برآوردهای پارامتر، انواع ترافیک و جاده متغیرهای کمکی هندسی به فرکانس برخورد قرار دادند مشاهده شد. برای مجموعه داده های ریچموند، تنها 38.3 درصد از تنوع کل همبستگی مکانی تحت مدل با هر دو اثرات ناهمگن و همبستگی مکانی (مدل C) توضیح داده شد، به عنوان بسیاری از تغییرات به احتمال زیاد با اثرات ناهمگن و تنوع سایت دستگیر شدند. برای مجموعه داده های ونکوور، اثرات همبستگی مکانی بسیار واضح تر با درصد بالایی از تنوع کل (83.8٪) توضیح داده شده توسط همبستگی مکانی تحت مدل C. بود، علاوه بر این، نتایج برآورد مدل نشان داد که دقت برآورد پارامتر کمی گنجاندن بهبود از همبستگی مکانی هنگامی که اندازه نمونه کوچک بود. با این حال، برآورد پارامتر تغییر معنیداری نداشت و برازش عدم بهبود آن نشان می دهد که می توان آن را با مجموعه داده های فعلی که مدل پارامتر تصادفی با هر دو اثرات ناهمگن و همبستگی مکانی بهتر از سایر مدل ها مورد بررسی قرار است نمی توان اثبات. بنابراین، انجام مطالعات با مجموعه داده های مختلف مورد نیاز برای دریافت درک روشن تر از مزایای اضافه شده ترکیب همبستگی مکانی در مدل پارامترهای تصادفی.


كلمات كليدي:

Full Bayesian (FB) estimation , Heterogeneous effects , Poisson-lognormal regression, Random parameters model , Collision count-data modeling, Full Bayesian (FB) estimation, Heterogeneous effects, Poisson-lognormal regression, Random parameters model, Spatial correlation
کامل بیزی (FB) برآورد , اثرات ناهمگن , رگرسیون پواسون لگ نرمال , پارامترهای تصادفی مدل , مدل سازی برخورد شمارش-اطلاعات, کامل بیزی (FB) برآورد, اثرات ناهمگن, رگرسیون پواسون-لگ نرمال , مدل پارامتر تصادفی, ارتباط فضایی


موضوعات:

Safety Research, Transportation



[ ]

 

دسترسی بین المللی

اگر شما در داخل کشور (ایران) هستید و این صفحه را مشاهده می کنید، نشان می دهد که IP شما به هر دلیلی در لیست IP های ایران ثبت نشده است. برای رفع این مشکل کافی است IP خود را که در پایین این پیام درج شده از طریق آدرس ایمیل support@scipers.com به ما اطلاع دهید. پس از دریافت درخواست، کارشناسان فنی موضوع را بررسی می نمایند و در صورتی که محل اتصال شما از کشور ایران بوده باشد، به لیست استفاده کنندگان مجاز افزوده می شوید.
IP: 3.80.55.37

اطلاعات استنادی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

 

به اشتراک گذاری

این صفحه را با استفاده از انواع شبکه های اجتماعی با دوستان خود به اشتراک بگذارید.

فهرست مراجع و منابع




 

برگشت به بالا
رونمایی از اولین و تنها ربات تلگرامی جستجوی مقالات ژورنالی
×