This study shows how road traffic n

This study shows how road traffic networks events, in particular road accidents on blackspots, can be modelled with simple probabilistic distributions. We considered the number of crashes and the number of fatalities on Spanish blackspots in the period 2003–2007, from Spanish General Directorate of Traffic (DGT). We modelled those datasets, respectively, with the discrete generalized Pareto distribution (a discrete parametric model with three parameters) and with the discrete Lomax distribution (a discrete parametric model with two parameters, and particular case of the previous model). For that, we analyzed the basic properties of both parametric models: cumulative distribution, survival, probability mass, quantile and hazard functions, genesis and rth-order moments; applied two estimation methods of their parameters: the μ and (μ + 1) frequency method and the maximum likelihood method; used two goodness-of-fit tests: Chi-square test and discrete Kolmogorov–Smirnov test based on bootstrap resampling; and compared them with the classical negative binomial distribution in terms of absolute probabilities and in models including covariates. We found that those probabilistic models can be useful to describe the road accident blackspots datasets analyzed.

ผลลัพธ์ (ไทย) 1:

การศึกษานี้แสดงว่าถนนจราจรเครือข่ายกิจกรรม สามารถ modelled อุบัติเหตุทางถนนใน blackspots มีการกระจาย probabilistic ง่ายโดยเฉพาะ เราพิจารณาจำนวนล้มเหลวและจำนวนเสียชีวิตพร้อมกับ blackspots ที่สเปนในปี 2003 – 2007 ฝ่ายสเปนทั่วไปของการจราจร (DGT) เรา modelled datasets เหล่านั้น ตามลำดับ กับการแยกกันเมจแบบทั่วไป Pareto กระจาย (แยกกันพาราเมตริกแบบ มีพารามิเตอร์ที่สาม) และ มีการกระจาย Lomax แยกกัน (แยกกันพาราเมตริกแบบ มีพารามิเตอร์ที่สอง และกรณีเฉพาะของรุ่นก่อนหน้า) ที่เราวิเคราะห์คุณสมบัติพื้นฐานของรูปแบบทั้งพาราเมตริก: การแจกแจงสะสม รอดตาย ความน่าเป็นมวล quantile และฟังก์ชันอันตราย ปฐมกาลและ rth สั่งช่วง เวลา ใช้สองวิธีการประมาณค่าพารามิเตอร์ของ: μ และ (μ + 1) วิธีการความถี่และวิธีความเป็นไปได้สูงสุด ใช้ทดสอบความดีพอที่สอง: การทดสอบ Chi-square และทดสอบน่าเป็น – Smirnov เดี่ยว ๆ ที่ใช้เริ่มต้นระบบเปลี่ยนความละเอียดของ และเมื่อเปรียบเทียบกับคลาสสิกลบแจกแจงแบบทวินาม ในกิจกรรมที่แน่นอน และ ในรุ่นรวม covariates เราพบว่า โมเดล probabilistic เหล่านั้นสามารถใช้อธิบาย datasets อุบัติเหตุถนน blackspots วิเคราะห์

ผลลัพธ์ (ไทย) 2:

การศึกษาครั้งนี้แสดงให้เห็นว่าเครือข่ายการจราจรบนถนนเหตุการณ์ในอุบัติเหตุบนท้องถนนโดยเฉพาะอย่างยิ่งใน Blackspots สามารถสร้างแบบจำลองที่มีการแจกแจงความน่าจะเป็นที่เรียบง่าย เราพิจารณาจำนวนของการเกิดปัญหาและจำนวนผู้เสียชีวิตใน Blackspots สเปนในช่วง 2003-2007 จากสเปนอธิบดีจราจร (DGT) เราถ่ายแบบชุดข้อมูลเหล่านั้นตามลำดับโดยมีการกระจาย Pareto ทั่วไปที่ไม่ต่อเนื่อง (รูปแบบพาราเนื่องกับสามพารามิเตอร์) และมีการกระจายโลแม็กซ์ที่ไม่ต่อเนื่อง (รูปแบบพาราเนื่องกับสองพารามิเตอร์และกรณีเฉพาะของรุ่นก่อนหน้า) สำหรับสิ่งที่เราวิเคราะห์คุณสมบัติพื้นฐานของรุ่นพาราทั้งสอง: การแจกแจงสะสมอยู่รอดมวลความน่าจะเป็น quantile และฟังก์ชั่อันตรายกำเนิดและช่วงเวลาที่ RTH สั่ง; ใช้สองวิธีการประมาณค่าพารามิเตอร์ของพวกเขาและμ (μ + 1) วิธีความถี่และวิธีการที่ควรจะเป็นสูงสุด; ใช้สองการทดสอบความดีของพอดี: การทดสอบไคสแควร์และการทดสอบที่ไม่ต่อเนื่อง Kolmogorov-Smirnov ขึ้นอยู่กับ resampling บูต; และเมื่อเทียบกับพวกเขาด้วยการกระจายทวินามคลาสสิกลบในแง่ของความน่าจะเป็นที่แน่นอนและในรูปแบบรวมทั้งตัวแปร เราพบว่ารูปแบบความน่าจะเป็นผู้ที่จะเป็นประโยชน์ในการอธิบายถึงการเกิดอุบัติเหตุบนท้องถนนชุดข้อมูล Blackspots วิเคราะห์

ผลลัพธ์ (ไทย) 3:

การศึกษานี้แสดงให้เห็นว่าการจราจรเครือข่ายเหตุการณ์ในอุบัติเหตุบนท้องถนนโดยเฉพาะใน blackspots สามารถจำลองกับการแจกแจงความน่าจะเป็นอย่างง่าย เราพิจารณาจำนวนของปัญหาและจำนวนผู้เสียชีวิตใน blackspots สเปน ในช่วงปี 2546 – 2550 จากคณะกรรมการทั่วไปสเปนของการจราจร ( dgt ) เราจำลองข้อมูลเหล่านั้นตามลำดับกับการโตแบบไม่ต่อเนื่อง ( แบบจำลองพารามิเตอร์กับสามพารามิเตอร์ไม่ต่อเนื่องและไม่ต่อเนื่อง ) ด้วยการกระจาย ( โลไม่ต่อเนื่องของพารามิเตอร์ของแบบจำลองที่มีสองพารามิเตอร์ และกรณีของรุ่นก่อนหน้า ) ที่เราวิเคราะห์คุณสมบัติพื้นฐานของทั้งสองพารามิเตอร์แบบกระจาย , การอยู่รอด , มวลความน่าจะเป็นสะสมและฟังก์ชันควอนไทล์อันตรายแหล่งกำเนิดและช่วงเวลาเพื่อ rth ; ใช้วิธีการประมาณค่าพารามิเตอร์ของพวกเขาสอง : μ ( μ 1 ) วิธีการ ความถี่ และ วิธีความควรจะเป็นสูงสุด ใช้สองความดีของการทดสอบพอดี : ไคสแควร์และต่อเนื่องเพื่อทดสอบตามบูตสแตรปแอนเดอร์สัน ( สุ่มซ้ำ ;และเมื่อเทียบกับคลาสสิกการแจกแจงทวินามลบในแง่ของความน่าจะเป็นที่แน่นอนและในรุ่นรวมทั้งความรู้ . เราพบว่าแบบจำลองความน่าจะเป็นที่สามารถเป็นประโยชน์ในการอธิบายการเกิดอุบัติเหตุทางถนน blackspots ข้อมูลวิเคราะห์