Modele regresji Bayesa w analizach bezpieczeństwa ruchu drogowego

• Autorzy: Nowakowska M.

Warianty tytułu

EN

Bayesian regression models in the analyses of road traffic safety

• Języki publikacji: PL

Abstrakty

PL

W artykule przybliżono koncepcję modelu regresji Bayesa oraz przedstawiono wykorzystanie tego modelu w budowaniu statystycznego klasyfikatora ciężkości wypadku drogowego w zależności od cech kierującego – sprawcy. Modele Bayesa zostały wyznaczone na dużej i małej próbie treningowej z uwzględnieniem informatywnych i nieinformatywnych rozkładów a’priori parametrów strukturalnych oraz porównane z analogicznymi modelami klasycznymi MLE. Przedmiotowym klasyfikatorem statystycznym był model regresji logistycznej.

EN

The idea of a Bayes regression model was put forward and then the utilization of such a model while building a statistical classifier to identify a road accident severity in dependence on chosen at fault driver’s characteristics was presented in the paper. Bayes models were identified for small and big train samples assuming informative and non-informative prior distributions for structural parameters of the models. Obtained results were compared and referred to the results of classical MLE models. A logistic model was a statistical classifier under consideration.

Słowa kluczowe

PL

regresja Bayesa; aprioryczne rozkłady parametrów modelu; klasyfikator statystyczny; ciężkość wypadku drogowego; kierujący sprawca wypadku

EN

Bayesian regression; model parameters prior distributions; statistical classifier; road accident severity; at fault driver

• Wydawca: Stowarzyszenie Inżynierów i Techników Komunikacji Rzeczpospolitej Polskiej
• Czasopismo: Drogownictwo
• Rocznik: 2016
• Tom: nr 2
• Strony: 39--45
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Nowakowska M.

• Politechnika Świętokrzyska

Bibliografia

• [1] EI-Basyouny K., Barua S., Islam M. T. Investigation of time and weather effects on crash types using fuli Bayesian multivariate Poisson lognormai models. Accident Analysis and Prevention 201; 73: 91-99.
• [2] Hand D., Manilla H., Padhraic S. Eksploracja danych. Warszawa: WN-T,2005.
• [3] Haqqstrórn O. Finite Markov Chains and Algorithmic Applications. Cambridge University Press (Virtual Publishing) 2003.
• [4] Helai H., Chor C.H., Haque M.M. Severity of driver in jury and vehicle damage in traffic crashes at intersections: a Bayesian hierarchical analysis. Accident Analysis and Prevention 2008; 40: 45-54.
• [5] 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.
• [6] Huang H., Abdel-Aty M. Multilevel data and Bayesian analysis in traffic safety. Accident Analysis and Prevention 2010; 42: 1556-1565.
• [7] Mitra S., Washington S. On the nature of over-dispersion in motor vehicle crash prediction models. Accident Analysis and Prevention 2007; 39: 459-468.
• [8] 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.
• [9] Nowakowska M. Modelowanie związków między cechami drogi a zagrożeniami w ruchu na drogach zamiejskich. Warszawa: Oficyna Wydawnicza Politechniki Warszawskiej, 2013.
• [10] Pei X. Wong S.C., Sze N.N. A joint probability approach to crash prediction models. Accident Analysis and Prevention 2011; 43: 1160-1166.
• [11] Persaud B., Lan B., Lyon C., Bhim R. Comparison of empirical Bayes and fuli Bayes approach for before-after road safety evaluations. Accident Analysis and Prevention 2010; 42: 38-43.
• [12] SAS/STAT® 9.2 User's Guide (Introduction to Bayesian Analysis Procedures). Second Edition, Cary, NC, USA: SAS Institute Inc., 2009.
• [13] Vu 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.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.