排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
2.
以事故率为因变量来建立事故分析模型或预测模型时,由于事故率是连续型随机变量,传统的泊松分布、负二项分布及零堆积类分布模型已不再适用。加之,当统计年限较短或路段划分较短时,统计样本中的事故率会出现较多"0"值的情况,此时,事故率就属于受限的连续型变量,即受限因变量。通过对比分析可适用于受限因变量建模的Truncated回归和Tobit回归方法,基于Tobit回归建立了山区高速公路事故率分析模型并计算了模型中自变量的边际效应。模型的因变量为路段上的亿车公里事故率,自变量为路段上的年平均日交通量、路段长度及几何线形指标变量。研究结果表明:针对事故率这样一个受限因变量,采用Tobit回归来建立事故率分析模型是适宜的,所建立的事故率分析模型较好地反映了年平均日交通量、路段长度、几何线形条件等对事故率的影响。模型标定结果及边际效应数值表明:纵坡类型对山区高速公路事故率的影响最大;其次是纵坡坡度、路段长度和年平均日交通量;最后是竖曲线曲率。若设竖曲线曲率对事故率的影响程度为1.0,则年平均日交通量、路段长度、纵坡坡度、纵坡类型的影响程度分别为3.1、4.1、9.1、和9.7。 相似文献
3.
为了寻求能够高效拟合事故数据的模型,提高高速公路交通事故预测的能力,以广东省京珠、粤赣以及开阳高速为研究对象,收集整理了共4657起交通事故及相关影响因素数据,通过路段划分得到5573个交通事故建模样本.基于系统聚类及四分位数法,筛选交通事故数据中的异常值,剔除了建模样本中的离群样本;基于方差膨胀因子法,对模型的解释变量进行共线性诊断,对存在共线性问题的解释变量进行了处理.分别对负二项(NB)、零膨胀负二项(ZINB)及Tobit模型进行变量筛选,分别确定了16,24,16个解释变量;基于模型变量筛选结果,利用交通事故数据样本,完成了NB,ZINB及Tobit模型的建模.分析对比了NB,ZINB及Tobit模型的拟合效果及预测能力,结果显示,在模型的事故预测能力方面,当交通事故数据中存在大量零值,NB,ZINB及Tobit模型经过K折交叉检验计算得出的PRESS值分别为2185,2239,4442,表明Tobit模型预测能力最优,ZINB模型其次,NB模型再次. 相似文献
1