经验贝叶斯法在安全设施效果评估中的应用

通过分析经验贝叶斯评估方法的原理,提出前后观测效果评估的流程和步骤,并以实例评估效果,验证了经验贝叶斯法在效果评估中的有效性。根据线路的事故率、路段长度、交通量等基础数据,采用经验贝叶斯法,参照同类型对象的事故信息,估算评估地点未安装设施时的后期期望事故率,与后期观测事故率相比,得到显著性,从而评估设施的安全效果。根据安全效果与其标准误差的比值,确定设施效果的可信度。以嵊义线为例的设施效果评估结果表明,所选安全设施方案可以减少51.5%的事故率,且这个结果具有95%可信度的统计显著性。实例应用验证了经验贝叶斯方法在设施安全效果评估中的有效性。

基于经验贝叶斯的信控交叉口黑点判别研究

正确的判别信控交叉口黑点,可以显著提高安全管理效率,改善交通安全状况。传统黑点判别方法(如事故数法、事故率法)忽略了事故随机波动性的影响,没有考虑相似对象的事故均值,容易导致判别结果不准确。提出了经验贝叶斯方法,并考虑了安全可提高空间,克服了传统黑点判别方法的不足。研究选取上海市195个信控交叉口进行分析,利用广义估计方程建立交叉口事故预测模型,结合经验贝叶斯法估计事故发生的期望数,并计算交叉口可以降低的事故数。在此基础上,引入交叉口安全指数,作为安全排序的依据,并与传统的事故数法和事故率法判定结果进行比较。结果表明,以安全指数排序的结果与传统方法相比有较大的区别,传统方法会造成黑点判别结果的偏差。

选择好总体的经验Bayes方法——Ⅰ.离散形分布情况

本文对一般离散形分布情况,构造了选择好总体的经验Bayes判决法则,并进一步讨论了其Bayges风险的收敛速度. 一.

小区域贫困指标估计方法的比较与模拟

精准扶贫战略思想已是我国的一项基本国策,其中扶贫对象精准是基础,首要工作是测度区域贫困指标,了解贫困人群的分布状况,随着区域划分精度的提高,一些区域调查样本量不足,需要借助小域估计方法提高指标估计精度。文章总结了四种适用于区域贫困指标估计的小域估计方法(即直接估计法、世界银行法、经验贝叶斯法和Fay-Herriot模型法)及其适用情形,并通过数值模拟,从无偏性和有效性两方面研究了四种方法估计区域贫困率指标的效果。

基于3种空间预测方法的黄土区土壤颗粒组成空间分布研究——以宁夏海原县为例

【目的】探索适合地形复杂的黄土母质地区土壤颗粒组成的空间预测方法。【方法】以宁夏自治区海原县为研究区域,结合地形因子、土壤类型、归一化植被指数变量,采用基于对称对数比转换的经验贝叶斯克里格法(SLR-EBK)、回归克里格法(SLR-RK)、随机森林(SLR-RF)3种方法对训练集100个样点表层土壤颗粒组成的空间分布进行预测,并通过验证集24个样点比较了3种方法的预测精度。【结果】(1)最终进入土壤颗粒组成线性回归预测模型的辅助变量包括高程(Ele)和土壤类型;进入RF模型的辅助变量包括高程(Ele)、土壤类型、坡度(Slo)和风力作用指数(WEI),其中,高程(Ele)是最重要的辅助变量,其次是土壤类型,坡度(Slo)和风力作用指数(WEI)重要性相对较低。(2)3种方法预测的海原县土壤各粒级含量空间分布的趋势基本一致,表现为砂粒含量西南部低,东北部高,粉粒、黏粒则相反。与SLR-EBK相比,SLR-RK和SLR-RF能够更好地反映局部变异并减小平滑效应。(3)SLR-RF法对验证集3个粒级含量预测的平均绝对误差(MAE)和均方根误差(RMSE)均低于其他两种方法,且从平均Aitchison距离(MAD)来看,SLR-RF(0.208)<SLR-RK(0.235)<SLR-EBK(0.274),表明SLR-RF的预测精度最高。【结论】海原县土壤颗粒组成空间预测的最优方法为SLR-RF;黄土母质区高程、土壤类型是与土壤颗粒组成的空间变异相关性较强的辅助变量。

交通事故修正系数及在交通安全中的运用

在介绍事故修正系数基本概念和发展历程的基础上,阐述了事故修正系数在道路交通安全中的具体运用情况,说明了把事故修正系数引入我国交通安全领域的可行性。

层次线性模型与教学效益评价

各个教学点单独估得的效益值不尽相同甚至是矛盾的.本文采用层次线性模型和经验Bayes方法,将教学效益看成是随机的而综合求得教学效益的估计值.本文还证明了在给定条件下条件正态变量与条件变量(亦服从正态分布)的联合分布仍为正态分布.最后给出了算法的框图和例子.

经验Bayes分布函数的渐近最优速度

考虑空间(R,■,其中 R 是实直线,■是其 Borel 集的σ-代数.设(F_1,■),…,(F_n,■),(F,■)是 n+1对独立随机向量,且满足:(i)分布函数样本 F_1,…,F_n,F 是来自由(?)(α)确定的某个共同之先验分布,其中■(α)是(R,■)上参数为α(·)的 Dirichlet 过程,参数α(·)是(R,■)上的(σ-可加)非零有限测度;(ii)■=(X_(il),…,X_(in)),i=1,…,n 及■=(X_1,…,X_m)分别是来自分布函数 F_i,i=1,…,n 和 F 的随机样本.