基于Log-Gaussian Cox过程的亚的斯亚贝巴交通事故伤亡时空建模与热点分析

《Journal of Applied Animal Welfare Science》：Log-Gaussian Cox processes for spatiotemporal traffic fatality estimation in Addis Ababa

本研究针对埃塞俄比亚亚的斯亚贝巴市交通事故的时空动态评估问题，由研究人员利用2016–2019年数据，开展了基于Log-Gaussian Cox过程(LGCP)的建模分析。研究通过整合人口密度、与学校/市场等关键设施距离等协变量，并应用集成嵌套拉普拉斯近似(INLA)与随机偏微分方程(SPDE)方法进行后验估计。结果表明，所考虑协变量对事故强度有显著影响，模型性能优良，并成功识别出事故热点区域，为城市交通安全管理提供了重要依据。

　　

研究人员利用2016年至2019年的数据，深入探究了埃塞俄比亚首都亚的斯亚贝巴市交通事故的时空动态。他们将交通事故强度建模为一个对数-高斯 Cox 过程 (Log-Gaussian Cox Process, LGCP)，并将其视为一个时空点过程。该模型包含了固定效应和随机效应成分，这些成分整合了可能的协变量（如人口密度、事故地点与学校、市场、公交车站和礼拜场所的距离）以及空间相关性信息。

研究团队采用集成嵌套拉普拉斯近似 (Integrated Nested Laplace Approximations, INLA) 并结合随机偏微分方程 (Stochastic Partial Differential Equations, SPDE) 的方法，在考虑Matérn先验的条件下，对状态变量的后验分布进行了估计。为了评估模型的性能，他们使用了偏差信息准则 (Deviance Information Criterion) 和渡边-赤池信息准则 (Watanabe–Akaike Information Criterion)。

该方法被应用于绘制整个亚的斯亚贝巴市及其道路网络上的交通事故强度图，从而可视化潜在的事故热点区域。观测数据与模型输出的比较显示，所考虑的协变量对事故强度具有显著影响。此外，信息准则的结果表明，包含协变量的模型性能优于不包含协变量的模型。研究人员还获得了对数强度的时序相关性为0.78，这表明在研究期间，空间上的交通事故伤亡趋势存在相似性。