Spatial and temporal aspects of prior and likelihood data choices for Bayesian models in road traffic safety analyses

• Autorzy: Nowakowska M.

Identyfikatory

DOI

10.17531/ein.2017.1.10

Warianty tytułu

PL

Przestrzenny i czasowy aspekt wyboru rozkładów apriorycznych i danych dla funkcji wiarygodności dla modeli bayesowskich w analizach bezpieczeństwa ruchu drogowego

• Języki publikacji: EN PL

Abstrakty

EN

In a Bayesian regression model, parameters are not constants, but random variables described by some posterior distributions. In order to define such a distribution, two pieces of information are combined: (1) a prior distribution that represents previous knowledge about a model parameter and (2) a likelihood function that updates prior knowledge. Both elements are analysed in terms of implementing the Bayesian approach in road safety analyses. A Bayesian multiple logistic regression model that classifies road accident severity is investigated. Three groups of input variables have been considered in the model: accident location characteristics, at fault driver’s features and accident attributes. Since road accidents are scattered in space and time, two aspects of information source choices in the Bayesian modelling procedure are proposed and discussed: spatial and temporal ones. In both aspects, priors are based on selected data that generate background knowledge about model parameters – thus, prior knowledge has an informative property. Bayesian likelihoods which modify priors are data that deliver: (1) information specific to a road – in the spatial aspect or (2) the latest information – in the temporal aspect. The research experiments were conducted to illustrate the approach and some conclusions have been drawn.

PL

Parametry bayesowskiego modelu regresji nie są wartościami stałymi tylko zmiennymi losowymi opisanymi przez pewne rozkłady aposterioryczne. W celu zdefiniowania takiego rozkładu łączy się dwa źródła informacji: (1) rozkład aprioryczny, który reprezentuje wcześniejszą wiedzę o parametrze modelu oraz (2) funkcję wiarygodności (wiarygodność bayesowską), która uaktualnia wiedzę a’priori. Oba te elementy są przedmiotem badań w kontekście wykorzystania podejścia bayesowskiego w analizach bezpieczeństwa ruchu drogowego. Badaniom podlega model wielokrotnej regresji logistycznej, który klasyfikuje status zdarzenia drogowego. W modelu uwzględniono trzy grupy zmiennych objaśniających: charakterystyki miejsca lokalizacji wypadku, cechy kierującego sprawcy oraz atrybuty wypadku. Ponieważ wypadki drogowe są rozproszone w czasie i przestrzeni, zaproponowano i poddano dyskusji dwa aspekty wyboru źródeł informacji w procedurze modelowania bayesowskiego: czasowy i przestrzenny. W obu podejściach rozkłady aprioryczne są definiowane na podstawie danych wybranych jako te, które generują uogólnioną wiedzę o parametrach modelu, tworząc tło podlegające modyfikacji – w ten sposób wiedza aprioryczna ma cechę informatywności. Wiarygodność bayesowska, modyfikująca rozkłady a’priori, jest definiowana za pomocą danych wprowadzających: (1) informację specyficzną dla wybranej drogi – w przypadku aspektu przestrzennego lub (2) informację najnowszą – w przypadku aspektu czasowego. Zaproponowane podejście zilustrowano w eksperymentach badawczych i przedstawiono wynikające z nich wnioski.

Słowa kluczowe

EN

Bayesian regression model; informative prior distributions for model parameters; likelihood data; statistical classifier; road accident severity; road accident features

PL

model regresji bayesowskiej; informatywne rozkłady aprioryczne parametrów modelu; wiarygodność bayesowska; klasyfikator statystyczny; status wypadku drogowego; cechy wypadku drogowego

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2017
• Tom: Vol. 19, no. 1
• Strony: 68--75
• Opis fizyczny: Bibliogr. 21 poz., rys., tab.

Twórcy

autor

Nowakowska M.

• Faculty of Management and Computer Modelling Kielce University of Technology Al. Tysiąclecia Państwa Polskiego 7, 25-314 Kielce, Poland

Bibliografia

• 1. Bąk J., Bąk-Gajda D. Psychological factors in road safety. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2007; 17(3): 22–29.
• 2. El-Basyouny K., Barua S., Islam M. T. Investigation of time and weather effects on crash types using full Bayesian multivariate Poisson lognormal models. Accident Analysis and Prevention 2014; 73: 91-99, http://dx.doi.org/10.1016/j.aap.2014.08.014.
• 3. Gaca S. Badania prędkości pojazdów i jej wpływu na bezpieczeństwo ruchu drogowego (The investigation of vehicle speed and its influence of road traffic safety). In Polish. Zeszyty Naukowe Politechniki Krakowskiej, Inżynieria Lądowa nr 75, Kraków, 2002.
• 4. Häggström O. Finite Markov Chains and Algorithmic Applications. Cambridge University Press (Virtual Publishing), 2003.
• 5. Helai H., Chor C.H., Haque M.M. Severity of driver injury and vehicle damage in traffic crashes at intersections: a Bayesian hierarchical analysis. Accident Analysis and Prevention 2008; 40: 45-54, http://dx.doi.org/10.1016/j.aap.2007.04.002.
• 6. Heydari S., Miranda-Moreno L.F., Lord D., Fu L. Bayesian methodology to estimate and update safety performance functions under limited data conditions: A sensitivity analysis. Accident Analysis and Prevention 2014; 64: 41-51, http://dx.doi.org/10.1016/j.aap.2013.11.001.
• 7. Huang H., Abdel-Aty M. Multilevel data and Bayesian analysis in traffic safety. Accident Analysis and Prevention 2010; 42: 1556-1565, http://dx.doi.org/10.1016/j.aap.2010.03.013.
• 8. Jurecki R., Jaśkiewicz M., Guzek Z., Lozia Z., Zdanowicz P. Driver's reaction time under emergency braking a car – Research in a driving simulator. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2012; 14 (4): 295–301.
• 9. Jurecki R.S., Stańczyk T.L. Test methods and the reaction time of drivers. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2011; 3 (51): 84–91.
• 10. Kieć M. Wpływ dostępności do dróg na warunki i bezpieczeństwo ruchu (The influence of road accessibility on road traffic conditionas and road traffic safety – PhD thesis). Rozprawa doktorska na Wydziale Inżynierii Lądowej Politechniki Krakowskiej, Kraków, 2009.
• 11. Larose D.T. Data Mining Methods and Models. John Wiley & Sons, Inc., 2006.
• 12. Mitas A.W., Czapla Z., Bugdol M., Ryguła A. Rejestracja i ocena parametrów biometrycznych kierowcy dla poprawy bezpieczeństwa ruchu drogowego. Zeszyty Naukowe Politechniki Śląskiej, seria Transport 2010; 6 (1825): 71-79.
• 13. Mitra S., Washington S. On the nature of over-dispersion in motor vehicle crash prediction models. Accident Analysis and Prevention 2007; 39: 459-468, http://dx.doi.org/10.1016/j.aap.2006.08.002.
• 14. Nowakowska M. Logistic models in the crash severity classification on the basis of chosen road characteristics. Transportation Research Record, Journal of the Transportation Research Board, Highway Safety Data, Analysis, and Evaluation, Volume 2, Washington D.C. 2010; 2148: 16-26.
• 15. Nowakowska M. Modelowanie związków między cechami drogi a zagrożeniami w ruchu na drogach zamiejskich (Modelling the relationship between road features and traffic threats on national roads). In Polish. Warszawa: Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2013.
• 16. Pei X. Wong S.C., Sze N.N. A joint probability approach to crash prediction models. Accident Analysis and Prevention 2011; 43: 1160-1166, http://dx.doi.org/10.1016/j.aap.2010.12.026.
• 17. Persaud B., Lan B., Lyon C., Bhim R. Comparison of empirical Bayes and full Bayes approach for before-after road safety evaluations. Accident Analysis and Prevention 2010; 42: 38-43, http://dx.doi.org/10.1016/j.aap.2009.06.028.
• 18. SAS/STAT® 9.2 User's Guide. Introduction to Bayesian Analysis Procedures. Second Edition, SAS Institute Inc., Cary, NC, USA, 2009.
• 19. Savolainen P.T., Mannering F.L., Lord D., Quddus M.A. The statistical analysis of highway crash-injury severities: a review and assessment of methodological alternatives. Accident Analysis and Prevention 2011; 43: 1666−1686, http://dx.doi.org/10.1016/j.aap.2011.03.025.
• 20. Yu R., Abdel-Aty M. Investigation different approaches to develop informative priors in hierarchical Bayesian safety performance functions. Accident Analysis and Prevention 2013; 56: 51-58, http://dx.doi.org/10.1016/j.aap.2013.03.023.
• 21. Zarządzenie nr 653 Komendanta Głównego Policji z dnia 30 czerwca 2006 r. w sprawie metod i form prowadzenie przez Policję statystyki zdarzeń drogowych (The regulation No 635 by the Main Commanding Officer of the Polish Police Headquarters from the 30-th of June 2006 regarding the methods and the forms of processing road crash statistics by the police). In Polish. Warszawa, 2006.