使用带时变参数的贝叶斯分层模型对大型路网中动物-车辆碰撞计数建模
应用统计
2021-06-15 v2 统计方法学
摘要
动物-车辆碰撞（AVC）在世界范围内十分常见，造成动物与人类生命的重大损失，以及显著的财产损失与频繁的保险索赔。理解其与各种促成因素的关联并能够识别高风险地点，对 AVC 预防具有重要价值，可带来经济、社会与环境成本节约。然而，AVC 数据集研究面临诸多挑战，包括动物活动的季节性、未知的暴露量（即动物穿越次数）、广阔道路网绝大多数路段极低的 AVC 计数，以及使用大型数据集进行离散响应分析带来的计算负担。为克服这些挑战，我们提出一种贝叶斯分层模型，其中暴露量由非参数 Dirichlet 过程建模，路段级 AVC 数量假设服从二项分布。我们推导了 Pólya-Gamma 增广 Gibbs 采样器来估计所提模型。利用美国得克萨斯州约 100,000 个州控高速公路路段的多年 AVC 数据，我们证明了该模型可扩展至大型数据集，计数具有大量零值与明显的月度季节性，同时可在建模框架内识别高风险地点（用于分离式动物穿越加围栏等设计处理）以及基于路段特定因素（如限速变化）的关键解释因素，为政策制定提供有用信息。
引用
@article{arxiv.2104.02289,
title = {Modelling Animal-Vehicle Collision Counts across Large Networks Using a Bayesian Hierarchical Model with Time-Varying Parameters},
author = {Krishna Murthy Gurumurthy and Zili Li and Kara M. Kockelman and Prateek Bansal},
journal= {arXiv preprint arXiv:2104.02289},
year = {2021}
}