学习笔记——交通安全分析14

前言

当天学习笔记整理

5城市主干道交通安全分析

结束语

前言

#随着上一轮SPSS学习完成之后，本人又开始了新教材《交通安全分析》的学习

#整理过程不易，喜欢UP就点个免费的关注趴

#本期内容接上一期13笔记

当天学习笔记整理

5城市主干道交通安全分析

广义线性模型（Generalized Linear Models，GLM）经常被用于分析交通特征与事故发生频数，如泊松模型和负二项模型。--《交通安全分析》P120
泊松模型是最基础的计数模型，考虑了事故数据随机、离散、非负的特点，一般要求事故数据的均值等于方差。--Regression analysis of count data 2013[M]，《交通安全分析》P120-121
然而，事故数据往往过度离散，即均值小于方差，这一过度离散性违背了泊松模型均值等于方差的基本假设。--A comprehensive methodology for the fitting of predictive accident models 1996[J]，《交通安全分析》P121
负二项模型由于在方程中引入了误差项，因此可以处理过度离散的事故数据。--Negative binomial analysis of intersection-accident frequencies 1996[J]，《交通安全分析》P121
泊松模型和负二项模型都假设所研究的样本相互独立，没有考虑事故数据的层次结构性（比如位于同一主干道上路段的事故数可能具有空间相关性，而不同主干道上路段的事故数则不具备该空间相关性），如此可能会造成错误的估计。考虑到事故数据的结构以及空间相关性，研究人员开始采用随机效应（random effect）模型、条件自回归（conditional autoregressive）模型、多（双）因变量（multivariate/bivariate）模型来研究道路几何设计、交通运行、控制方式与事故频率之间的关系。--《交通安全分析》P121
针对事故数据的相关性，随机效应模型引入一个随机效应项来反应不同组间未能观测到的异质性。--《交通安全分析》P121
为了更好地考虑事故数据的空间相关性，研究人员建立了一系列空间回归模型（如条件自回归模型），以处理存在空间相关性的数据。--《交通安全分析》P121
不同事故严重程度的影响因素不同，故需要采集不同严重程度的事故数据来建立计数模型。--Collision prediction models using multivariate Poisson-lognormal regression 2009[J]，Bayesian multivariate Poisson regression for models of injury count，by severity 2006[J]，《交通安全分析》P121
但是，很多此类研究都采用了单因变量计数模型（如负二项模型），这种单变量模型忽略了特点路段上、不同严重程度的事故数之间的相关性，使得系数估计出现了偏差。为了考虑不同严重程度事故数之间的相关性，J.Ma等建立了多因变量泊松对数正态（multivariate Poisson-lognormal）模型，同时对死亡、重伤、轻伤和物损事故进行建模分析，结果表明，不同严重程度的事故数之间存在显著的正相关性。--A multivariate Poisson-lognormal regression model for prediction of crash counts by severity，using Bayesian methods 2008[J]，《交通安全分析》P121
地理信息系统（Geographic Information System，GIS）空间数据库可以直观地展示主干道范围内路段和交叉口的位置及其属性，以便于挑选研究样本。--《交通安全分析》P121-122
中观单元的道路长度及平均交叉口间距来自基础地图，交叉口间距用交叉口密度（即平均每公里交叉口个数）表示。利用街景地图得到每个中观单元的道路几何特征，包括接入口数量、平曲线类型、车道数、中央分隔带类型和机非分隔带类型。--《交通安全分析》P122
在影响主干道安全状况的路网范围确定之后，采用介度中心度来描述路网形态。使用UCINET软件计算中观单元在邻近路网中的介度中心度并依据介度中心度将路网进行形态划分。--Centrality in social networks conceptual clarification 1978[J]，《交通安全分析》P124-125