The 11 reference contexts in paper A. Goryainov V., A. Zamyshlyaev M., E. Platonov N., А. Горяинов В., А. Замышляев М., Е. Платонов Н. (2016) “АНАЛИЗ ВЛИЯНИЯ ФАКТОРОВ НА УЩЕРБ ОТ ПРОИСШЕСТВИЙ НА ТРАНСПОРТЕ С ПОМОЩЬЮ РЕГРЕССИОННЫХ МОДЕЛЕЙ // ANALYSIS OF THE INFLUENCE OF FACTORS ON DAMAGE CAUSED BY TRANSPORT ACCIDENTS USING REGRESSION MODELS” / spz:neicon:sustain:y:2013:i:2:p:126-144

  1. Start
    1889
    Prefix
    Федеральный Закон «О железнодорожном транспорте в Российской Федерации» определяет безопасность движения, как состояние стабильности перевозочного процесса, при котором отсутствует недопустимый риск возникновения транспортных происшествий и их последствий, влекущий за собой причинение вреда жизни и здоровью граждан, окружающей среде, имуществу физических и юридических лиц. В работе
    Exact
    [1]
    Suffix
    предложена методика оценки уровня опасности возникновения транспортных происшествий на основе анализа их связи с факторами, влияющими на их возникновение. Различные методы анализа безопасности на железнодорожном транспорте представлены в [2−7].
    (check this in PDF content)

  2. Start
    2132
    Prefix
    В работе [1] предложена методика оценки уровня опасности возникновения транспортных происшествий на основе анализа их связи с факторами, влияющими на их возникновение. Различные методы анализа безопасности на железнодорожном транспорте представлены в
    Exact
    [2−7]
    Suffix
    . При анализе безопасности на железнодорожном транспорте кроме вероятности появления самого транспортного происшествия следует учитывать и величину ущерба, который нанесен этим происшествием. Для анализа ущерба предлагается использовать методы регрессионного анализа [8, 9]. 1 Работа выполнена при финансовой поддержке РФФИ (грант 12-07-13114-офи_м_РЖД) 1.
    (check this in PDF content)

  3. Start
    2404
    Prefix
    При анализе безопасности на железнодорожном транспорте кроме вероятности появления самого транспортного происшествия следует учитывать и величину ущерба, который нанесен этим происшествием. Для анализа ущерба предлагается использовать методы регрессионного анализа
    Exact
    [8, 9]
    Suffix
    . 1 Работа выполнена при финансовой поддержке РФФИ (грант 12-07-13114-офи_м_РЖД) 1. Анализ ущерба от транспортных происшествий О необходимости учета величины ущерба можно судить из гистограммы ущерба (см. рис. 1), нанесенного задержками поездов на железнодорожном транспорте США в 2010 году [10].
    (check this in PDF content)

  4. Start
    2800
    Prefix
    Анализ ущерба от транспортных происшествий О необходимости учета величины ущерба можно судить из гистограммы ущерба (см. рис. 1), нанесенного задержками поездов на железнодорожном транспорте США в 2010 году
    Exact
    [10]
    Suffix
    . Видно, что ущерб очень сильно различается от происшествия к происшествию, поэтому учет транспортных происшествий, как равноправных наблюдений может привести к тому, что мы будем принимать меры, направленные на снижение числа происшествий, ущерб от которых невелик.
    (check this in PDF content)

  5. Start
    3576
    Prefix
    Гистограмма ущерба от задержек поездов Величину ущерба можно учесть, если построить регрессионную зависимость от набора факторов. Такие модели широко используются при анализе безопасности на транспорте
    Exact
    [3−7]
    Suffix
    . Пусть X − скалярная переменная, описывающая величину ущерба, нанесенного транспортным происшествием некоторого вида. Это может быть ущерб от крушения поезда, бокового столкновения поездов, задержки прибытия поезда и т.д.
    (check this in PDF content)

  6. Start
    5322
    Prefix
    Естественно, без каких-либо предварительных договоренностей о возможном виде функции f( )Fзадача ее восстановления по результатам наблюдений, число которых конечно, представляется практически неразрешимой. Обычно предполагают, что функция ( )Ff является линейной по переменным mFF,1
    Exact
    [8,9]
    Suffix
    . Рассмотрим линейную функцию ( )Ff и соответственно линейную модель регрессии: f( )mmFFFFθθθθθ++++=22110,, где − вектор неизвестных параметров. 2. Модель регрессии с точкой разрыва В качестве альтернативы линейной функции рассмотрим кусочно-линейную модель или модель регрессии с точкой разрыва [9, 11, 12]: (2) где , − неизвестные параметры модели, b − неизвестная точка разрыва функции
    (check this in PDF content)

  7. Start
    5620
    Prefix
    Рассмотрим линейную функцию ( )Ff и соответственно линейную модель регрессии: f( )mmFFFFθθθθθ++++=22110,, где − вектор неизвестных параметров. 2. Модель регрессии с точкой разрыва В качестве альтернативы линейной функции рассмотрим кусочно-линейную модель или модель регрессии с точкой разрыва
    Exact
    [9, 11, 12]
    Suffix
    : (2) где , − неизвестные параметры модели, b − неизвестная точка разрыва функции ),,,(Fbfβα. Оценки неизвестных параметров будем искать как решение задач оптимизации с квадратичной функции потерь: (3) Оценка называется оценкой метода наименьших квадратов и находится аналитически [8].
    (check this in PDF content)

  8. Start
    6007
    Prefix
    линейной функции рассмотрим кусочно-линейную модель или модель регрессии с точкой разрыва [9, 11, 12]: (2) где , − неизвестные параметры модели, b − неизвестная точка разрыва функции ),,,(Fbfβα. Оценки неизвестных параметров будем искать как решение задач оптимизации с квадратичной функции потерь: (3) Оценка называется оценкой метода наименьших квадратов и находится аналитически
    Exact
    [8]
    Suffix
    . Для построения оценок в кусочно-линейной модели используются итерационные численные методы, например, метод квази – Ньютона [8, 9]. В качестве примера применения указанных моделей рассмотрим задачу восстановления зависимости ущерба от задержек поездов по данным за 2010 год для железнодорожного транспорта США [13].
    (check this in PDF content)

  9. Start
    6136
    Prefix
    Оценки неизвестных параметров будем искать как решение задач оптимизации с квадратичной функции потерь: (3) Оценка называется оценкой метода наименьших квадратов и находится аналитически [8]. Для построения оценок в кусочно-линейной модели используются итерационные численные методы, например, метод квази – Ньютона
    Exact
    [8, 9]
    Suffix
    . В качестве примера применения указанных моделей рассмотрим задачу восстановления зависимости ущерба от задержек поездов по данным за 2010 год для железнодорожного транспорта США [13]. Рассмотрим следующий набор факторов: F1 − температура по Фаренгейту, 2F − освещенность, 3F − погодные условия, 4F − скорость движения поезда в момент транспортного происшествия, 5F − тоннаж поезда.
    (check this in PDF content)

  10. Start
    6322
    Prefix
    Для построения оценок в кусочно-линейной модели используются итерационные численные методы, например, метод квази – Ньютона [8, 9]. В качестве примера применения указанных моделей рассмотрим задачу восстановления зависимости ущерба от задержек поездов по данным за 2010 год для железнодорожного транспорта США
    Exact
    [13]
    Suffix
    . Рассмотрим следующий набор факторов: F1 − температура по Фаренгейту, 2F − освещенность, 3F − погодные условия, 4F − скорость движения поезда в момент транспортного происшествия, 5F − тоннаж поезда.
    (check this in PDF content)

  11. Start
    7315
    Prefix
    Наоборот, если 2R близок к нулю, то это означает, что модель линейной регрессии плохо описывает объясняемую переменную X. Приведем результаты оценивания для кусочно-линейной регрессии. После применения метода квази-Ньютона
    Exact
    [11,12]
    Suffix
    получены следующие результаты: . (4) Точность оценивания можно охарактеризовать величиной объясненной дисперсии [ ]1;0∈D и коэффициентом детерминации 2R – чем ближе эти величины к единице, тем точнее подобранная функция f(F) объясняет наблюдения.
    (check this in PDF content)