Applicazione della distribuzione di Poisson-Tweedie nell’analisi dei dati di frequenza di crash

Gen 20, 2022
admin

Questo articolo descrive uno studio che applica la distribuzione di Poisson-Tweedie nello sviluppo di modelli di frequenza di crash. La distribuzione di Poisson-Tweedie offre un framework unificato per modellare dati di conteggio overdispersed, underdispersed, zero-gonfiati, spaziali e longitudinali, nonché variabili di risposta multiple di tipi simili o misti. La forma della sua funzione di varianza è semplice e può essere specificata come media aggiunta al prodotto di dispersione e media elevata alla potenza P. La flessibilità della distribuzione di Poisson-Tweedie si trova nel dominio di P, che include valori di numeri reali positivi. Casi speciali dei modelli di distribuzione di Poisson-Tweedie includono la forma lineare del modello binomiale negativo (NB1) con P uguale a 1.0, il modello geometrico di Poisson (GeoP) con P uguale a 1.5, la forma quadratica del modello binomiale negativo (NB2) con P uguale a 2.0, e il modello gaussiano inverso di Poisson (PIG) con P uguale a 3.0. In questo studio sono stati sviluppati una serie di modelli utilizzando la distribuzione di Poisson-Tweedie senza restrizioni sul valore del parametro di potenza e con valori specifici del parametro di potenza che rappresentano i modelli NB1, GeoP, NB2 e PIG. Sono stati esaminati anche gli effetti dei parametri di dispersione fissi e variabili (cioè la dispersione in funzione delle covariate) sulla varianza e sulle stime della frequenza di crash prevista. Tre anni (2012-2014) di dati di crash da intersezioni urbane a tre gambe controllate dallo stop e intersezioni urbane a quattro gambe segnalate nello stato della Florida sono stati utilizzati per sviluppare i modelli. I modelli Poisson-Tweedie o i modelli GeoP sono risultati migliori quando il parametro di dispersione era costante o fisso. Con il parametro di dispersione variabile, i modelli NB2 e PIG sono risultati migliori, con entrambi altrettanto buoni risultati. Inoltre, i valori dei parametri di dispersione fissi sono risultati essere più piccoli nei modelli con un valore più alto del parametro di potenza. È stata anche discussa la variazione tra i modelli nelle loro stime del fattore di peso, della frequenza di crash prevista e del potenziale di miglioramento della sicurezza dei siti pericolosi basati sul metodo empirico Bayes.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato.