[论文解读] Markov switching models: an application to roadway safety

Nataliya V. Malyshkina|ArXiv.org|Aug 11, 2008

Traffic and Road Safety参考文献 21被引用 7

一句话总结

本文应用马尔可夫区制转换负二项分布（MSNB）模型分析道路交通事故频率，捕捉事故率中未观测到的状态依赖动态。该方法识别出两种状态——低事故状态与高事故状态，其安全因素影响存在显著差异，相较于标准模型，模型拟合度与预测准确性均有所提升。

ABSTRACT

In this research, two-state Markov switching models are proposed to study accident frequencies and severities. These models assume that there are two unobserved states of roadway safety, and that roadway entities (e.g., roadway segments) can switch between these states over time. The states are distinct, in the sense that in the different states accident frequencies or severities are generated by separate processes (e.g., Poisson, negative binomial, multinomial logit). Bayesian inference methods and Markov Chain Monte Carlo (MCMC) simulations are used for estimation of Markov switching models. To demonstrate the applicability of the approach, we conduct the following three studies. In the first study, two-state Markov switching count data models are considered as an alternative to zero-inflated models for annual accident frequencies, in order to account for preponderance of zeros typically observed in accident frequency data. In the second study, two-state Markov switching Poisson model and two-state Markov switching negative binomial model are estimated using weekly accident frequencies on selected Indiana interstate highway segments over a five-year time period. In the third study, two-state Markov switching multinomial logit models are estimated for severity outcomes of accidents occurring on Indiana roads over a four-year time period. One of the most important results found in each of the three studies, is that in each case the estimated Markov switching models are strongly favored by roadway safety data and result in a superior statistical fit, as compared to the corresponding standard (non-switching) models.

研究动机与目标

• 使用马尔可夫区制转换负二项分布（MSNB）模型对道路交通事故频率进行建模，以捕捉未观测到的区制转换动态。
• 识别安全相关变量在高事故状态与低事故状态中对事故率影响的差异。
• 相较于标准泊松与负二项分布模型，提升模型拟合度与预测性能。
• 评估交通量、线形设计、路面质量及环境因素在不同条件下对事故率的影响。
• 利用贝叶斯MCMC方法，结合PSRF与边际似然度量，评估模型收敛性与参数估计的可靠性。

提出的方法

• 采用马尔可夫区制转换负二项分布（MSNB）模型，允许事故率在由隐马尔可夫过程控制的两个未观测区制（高事故与低事故状态）之间切换。
• 使用贝叶斯MCMC估计方法，结合Metropolis-Hastings抽样，估计模型参数，包括状态间转移概率。
• 引入解释变量，如AADT（对数变换）、路面质量指数（PQI）、路段长度及线形特征（如减速带、路肩宽度）。
• 利用对数似然、边际似然及收敛性诊断（PSRF与MPSRF）评估模型性能。
• 基于似然性准则，比较多种模型设定的拟合效果：泊松、负二项分布、零膨胀负二项分布（ZINB）、零膨胀泊松（ZIP）及MSNB模型。
• 同时使用周度与年度数据，评估区制识别的时间稳定性与稳健性。

实验结果

研究问题

• RQ1 安全因素如AADT、路面质量与线形设计如何在高事故与低事故区制中对事故频率产生不同影响？
• RQ2 与标准泊松与负二项分布模型相比，马尔可夫区制转换模型在模型拟合与预测准确性方面改善程度如何？
• RQ3 高事故与低事故状态之间的转移概率是多少？其随时间如何变化？
• RQ4 天气与季节条件如何影响处于高事故状态的可能性？
• RQ5 在两种区制中，中央隔离带配置、路肩宽度与护栏存在性等变量的影响是否存在显著差异？

主要发现

• MSNB模型在边际似然与对数似然指标上显著优于标准泊松与负二项分布模型，表明其对数据的拟合效果更优。
• 从低事故状态向高事故状态转移的概率估计为0.155，反向转移概率为0.161，表明区制具有相对稳定的持续性。
• AADT（对数变换）、PQI与路肩宽度等变量在高事故与低事故状态中的影响存在显著差异，且在高事故状态下敏感度更高。
• 内部减速带的存在与更宽的外侧路肩与较低的事故率相关，尤其在高事故状态下表现更明显。
• 模型识别出具有更多竖曲线及更高横向曲率（更小曲率半径倒数）的路段更可能处于高事故状态。
• 收敛性诊断结果（最大PSRF = 1.02，MPSRF = 1.03）表明MCMC抽样可靠，后验估计稳定。