Análisis de riesgo de accidentes de camiones basado en segmentos en autopistas: agrupamiento y regresión logística...

Área de la Ciencia:

• Ingeniería de Seguridad Vial
• Ciencia de Datos de Transporte
• Aplicaciones de Aprendizaje Automático

Sus antecedentes:

• Los accidentes relacionados con camiones representan riesgos significativos en las autopistas debido a su gravedad y frecuencia.
• Los análisis existentes a menudo ignoran las variaciones espaciales de las autopistas, lo que limita la identificación de áreas de alto riesgo.
• Se necesita un enfoque a nivel de segmento para una evaluación efectiva del riesgo de accidentes de camiones.

Objetivo del estudio:

• Desarrollar y evaluar un marco de evaluación de riesgos a nivel de segmento para accidentes de camiones en autopistas de Corea del Sur (2020-2022).
• Integrar el agrupamiento de aprendizaje automático con la regresión logística para analizar los patrones de accidentes de camiones.
• Identificar factores de riesgo específicos y su influencia en las ocurrencias de accidentes en diferentes segmentos de la autopista.

Principales métodos:

• Se aplicaron cuatro técnicas de agrupamiento (K-means, DBSCAN, GMM, jerárquico) utilizando datos de accidentes y exposición al tráfico.
• Se seleccionó K-means por su interpretabilidad, definiendo seis grupos distintos de segmentos de autopista.
• Se utilizó regresión logística para analizar el impacto de la fatiga del conductor, la sobrecarga, la geometría de la carretera y la conducción nocturna en los accidentes dentro de cada clúster.

Principales resultados:

• Los riesgos de accidentes variaron significativamente entre los segmentos de la autopista.
• Los accidentes relacionados con la fatiga se concentraron en corredores con alta densidad de carga.
• Las fallas de frenos/sobrecarga fueron comunes en segmentos empinados/curvos, mientras que los accidentes nocturnos fueron mayores en rutas de acceso a puertos.

Conclusiones:

• Los hallazgos respaldan estrategias de seguridad específicas como la expansión de áreas de descanso y la detección automatizada de fatiga.
• La metodología proporciona un enfoque basado en datos para priorizar segmentos de alto riesgo y mejorar las políticas de prevención de accidentes.
• Adaptar las intervenciones de seguridad a las características locales de la carretera es crucial para mejorar la seguridad vial.