Articles de recherche

(English) A comparison between parametric and nonparametric approaches for road safety analysis – a case study of winter road safety

Nom de fichier 99.pdf
Taille du fichier 322 KB
Version 1
Date ajoutée 26 mai 2013
Téléchargé 10 times/fois
Catégorie 2013 CMRSC XXIII Montréal
Tags Session 1B
Author/Auteur Lalita Thakali, Liping Fu, Chen Tao

Résumé

Dans le domaine de la recherche en sécuritéroutière, les approches paramétriques, telles quela loi de Poisson, la loi binomiale négative,la loi log-normal, la loi de Poisson tronqué en zéro et lesprocessus stochastiques,sontsouvent utilisées pour simuler les collisions.Bien que facile à appliquer et interpréter, cette dernière présente des limitations critiques par rapport auxestimationsspécifiques à la distribution de probabilité pour chaque variable du modèle (par exemple la fréquence des collisions) et de prédéterminer une relation fonctionnelle entre chaque paramètre et hypothèse. Si ces estimationssont erronées, celles-ci pourraient affecter les résultats de la simulation. Cet article présente une méthode non paramétrique d’une régression alternative de Kernel visant à savoir s’il existe desdifférences significatives par rapport aux méthodes paramétriques traditionnelles. L’approche proposée a été appliquée spécifiquement pour simuler les collisions sous des conditions de route hivernale en utilisant une base de données contenant des observations périodiques des collisions, les conditions routières (par exemple, la météo et la condition de la surface routière) etles comptages des véhicules sur un ensemble d’autoroutes en Ontario provenant de six saisons d’hiver. Les résultats du projet ont clairement montré que les relations non-linéaires existent entre la fréquence des collisions et les facteurs routiers. Celles-ci ne sont pas prises en compte par la technique paramétrique. De plus, la nouvelle méthode a également montré quelques effets modérateurs sur les variables de condition qui auraient pu être facilement manquées dans une analyse paramétrique.

Lalita Thakali, Liping Fu, Chen Tao