We found a match
Your institution may have access to this item. Find your institution then sign in to continue.
- Title
Estimation of speed differentials on rural highways using hierarchical linear regression models.
- Authors
Park, Peter Y.; Miranda-Moreno, Luis F.; Saccomanno, Frank F.
- Abstract
Large speed differentials between highway segments are associated with an increase in the number of accidents. Traditional speed differential measures, derived from single-level linear regression models, suffer from serious deficiencies, namely underestimating the speed differential (due to intracorrelated data) and inflating the adequacy of the model’s explanation (due to aggregate data). High-quality speed differential predictions are highly desirable right from the initial design phase, but the estimation process is not straightforward, and decision makers must recognize that speed differential predictions are subject to considerable uncertainty. This paper compares four models: two single-level models, a conventional multilevel model, and a Bayes multilevel model. The results show empirically that multilevel models increase the accuracy and precision of estimates of speed differentials, possibly with fewer data. The paper introduces a new, easy to interpret speed consistency measure that simply represents the probability that a vehicle exceeds a certain speed differential. This measure is calculated using a multilevel model and takes into account the uncertainty in the estimates of speed differentials. Overall, we show that a multilevel modeling approach can improve the quality of decision making that makes use of speed differential information in road design and road safety. Les grands différentiels de vitesse entre des tronçons d’autoroute sont reliés à une augmentation du nombre d’accidents. Les mesures habituelles de mesure de la vitesse, dérivées de modèles de régression linéaire à un niveau, présentent de graves manques : sous-estimation du différentiel de vitesse (en raison de l’intra-corrélation des données) et l’exagération de la pertinence de l’explication du modèle (en raison des données globales). Il serait souhaitable d’avoir des prévisions du différentiel de vitesse de grande qualité dès la phase de conception initiale, mais le processus d’estimation n’est pas simple et les décideurs doivent reconnaître que les prévisions du différentiel de vitesse sont sujettes à une grande incertitude. Le présent article compare quatre modèles : deux modèles à un niveau, un modèle conventionnel à plusieurs niveaux, et un modèle de Bayes à plusieurs niveaux. Les résultats montrent de manière empirique que les modèles à plusieurs niveaux augmentent l’exactitude et la précision des estimations des différentiels de vitesse, possiblement en utilisant moins de données. Cet article introduit une nouvelle mesure facile à interpréter de la constance de la vitesse qui représente simplement la probabilité qu’un véhicule excède un certain différentiel de vitesses. Cette mesure est calculée en utilisant un modèle à plusieurs niveaux et elle tient compte de l’incertitude dans les estimations des différentiels de vitesse. De manière générale, nous montrons qu’une approche de modélisation à plusieurs niveaux peut améliorer la qualité de la prise de décisions qui se servent des différentiels de vitesse lors de la conception des routes et pour la sécurité routière.
- Subjects
RURAL roads; SPEED; REGRESSION analysis; MULTILEVEL models; BAYESIAN field theory; ROAD construction
- Publication
Canadian Journal of Civil Engineering, 2010, Vol 37, Issue 4, p624
- ISSN
0315-1468
- Publication type
Article
- DOI
10.1139/L10-002