一种用于事故热点识别的新型空间计数数据模型与贝叶斯加性回归树
应用统计
2020-09-16 v1
摘要
事故热点识别是道路安全管理的一项核心任务。贝叶斯计数数据模型已成为生成道路网络危险地点概率排名的常用方法。通常，这些方法假设简单的线性链接函数设定，但这限制了模型的预测能力。此外，由于需要考虑未观测到的异质性和空间相关性，模型结构变得复杂，从而排除了广泛的设定搜索。现代机器学习方法提供了自动化链接函数设定的途径。然而，这些方法无法捕捉估计的不确定性，并且也难以纳入空间相关性。鉴于文献中的这些空白，本文提出了一种新的空间负二项模型，该模型使用贝叶斯加性回归树来内生地选择链接函数的设定。借助Polya-Gamma数据增强技术，所提模型中的后验推断变得可行。我们在一个来自都市高速公路网络的碰撞计数数据集上测试了该新模型的性能。实证结果表明，在拟合优度和地点排序能力方面，所提模型的表现至少与具有随机参数的基线空间计数数据模型一样好。
引用
@article{arxiv.2005.11738,
title = {A New Spatial Count Data Model with Bayesian Additive Regression Trees for Accident Hot Spot Identification},
author = {Rico Krueger and Prateek Bansal and Prasad Buddhavarapu},
journal= {arXiv preprint arXiv:2005.11738},
year = {2020}
}