Multitype recurrent events are commonly observed in transportation studies, since commercial truck drivers may encounter different types of safety critical events (SCEs) and take different lengths of on-duty breaks in a driving shift. Bayesian nonhomogeneous Poisson process models are a flexible approach to jointly model the intensity functions of the multitype recurrent events. For evaluating and comparing these models, the deviance information criterion (DIC) and the logarithm of the pseudo-marginal likelihood (LPML) are studied and Monte Carlo methods are developed for computing these model assessment measures. We also propose a set of new concordance indices (C-indices) to evaluate various discrimination abilities of a Bayesian multitype recurrent event model. Specifically, the within-event C-index quantifies adequacy of a given model in fitting the recurrent event data for each type, the between-event C-index provides an assessment of the model fit between two types of recurrent events, and the overall C-index measures the model's discrimination ability among multiple types of recurrent events simultaneously. Moreover, we jointly model the incidence of SCEs and on-duty breaks with driving behaviors using a Bayesian Poisson process model with time-varying coefficients and time-dependent covariates. An in-depth analysis of a real dataset from the commercial truck driver naturalistic driving study is carried out to demonstrate the usefulness and applicability of the proposed methodology.

中文翻译：

---

基于贝叶斯准则的循环事件模型评估及其在商用卡车驾驶员行为研究中的应用

在交通研究中经常观察到多种类型的复发事件，因为商用卡车司机可能会遇到不同类型的安全关键事件 (SCE) 并在驾驶班次中进行不同长度的值班休息。贝叶斯非齐次泊松过程模型是一种灵活的方法，可以联合模拟多类型复发事件的强度函数。为了评估和比较这些模型，研究了偏差信息准则 (DIC) 和伪边际似然 (LPML) 的对数，并开发了用于计算这些模型评估措施的蒙特卡罗方法。我们还提出了一组新的索引索引（C 索引）来评估贝叶斯多类型重复事件模型的各种辨别能力。具体来说，事件内 C 指数量化了给定模型在拟合每种类型的复发事件数据方面的充分性，事件间 C 指数提供了对两种类型的复发事件之间模型拟合的评估，以及整体 C 指数同时测量模型在多种类型的重复事件中的辨别能力。此外，我们使用具有时变系数和时间相关协变量的贝叶斯泊松过程模型联合模拟 SCE 和值班休息与驾驶行为的发生率。对来自商用卡车司机自然驾驶研究的真实数据集进行了深入分析，以证明所提出方法的实用性和适用性。事件间 C 指数提供了对两种类型的复发事件之间模型拟合的评估，而整体 C 指数衡量了模型同时对多种类型的复发事件进行区分的能力。此外，我们使用具有时变系数和时间相关协变量的贝叶斯泊松过程模型联合模拟 SCE 和值班休息与驾驶行为的发生率。对来自商用卡车司机自然驾驶研究的真实数据集进行了深入分析，以证明所提出方法的实用性和适用性。事件间 C 指数提供了对两种类型的复发事件之间模型拟合的评估，而整体 C 指数衡量了模型同时对多种类型的复发事件进行区分的能力。此外，我们使用具有时变系数和时间相关协变量的贝叶斯泊松过程模型联合模拟 SCE 和值班休息与驾驶行为的发生率。对来自商用卡车司机自然驾驶研究的真实数据集进行了深入分析，以证明所提出方法的实用性和适用性。我们使用具有时变系数和时间相关协变量的贝叶斯泊松过程模型联合模拟 SCE 和值班休息与驾驶行为的发生率。对来自商用卡车司机自然驾驶研究的真实数据集进行了深入分析，以证明所提出方法的实用性和适用性。我们使用具有时变系数和时间相关协变量的贝叶斯泊松过程模型联合模拟 SCE 和值班休息与驾驶行为的发生率。对来自商用卡车司机自然驾驶研究的真实数据集进行了深入分析，以证明所提出方法的实用性和适用性。