高速道路におけるセグメントベースのトラック衝突リスク分析：安全強化のためのクラスタリングとロジスティック回帰

科学分野:

• 交通安全工学
• 交通データサイエンス
• 機械学習の応用

背景:

• トラックが関与する衝突は、その重大性と頻度から、高速道路で大きなリスクをもたらします。
• 既存の分析では、高速道路の空間的な変動性が無視されることが多く、高リスクエリアの特定が限定的です。
• 効果的なトラック衝突リスク評価には、セグメントレベルのアプローチが必要です。

研究 の 目的:

• 韓国の高速道路（2020-2022年）におけるトラック衝突のセグメントレベルのリスク評価フレームワークを開発・評価すること。
• トラック衝突パターンの分析に機械学習クラスタリングとロジスティック回帰を統合すること。
• 異なる高速道路セグメントにおける特定の危険因子とその衝突発生への影響を特定すること。

主な方法:

• 衝突データと交通曝露量を使用して、4つのクラスタリング技術（K-means、DBSCAN、GMM、階層的クラスタリング）を適用しました。
• 解釈可能性に優れたK-meansを選択し、6つの異なる高速道路セグメントグループを定義しました。
• ロジスティック回帰を利用して、各クラスター内でのドライバーの疲労、過積載、道路形状、夜間運転が衝突に与える影響を分析しました。

主要な成果:

• 衝突リスクは高速道路セグメント間で著しく異なりました。
• 疲労関連の衝突は、貨物密度の高い回廊に集中していました。
• ブレーキ/過積載の故障は急勾配/カーブの多いセグメントで一般的でしたが、夜間の衝突は港湾アクセスルートでより多く見られました。

結論:

• 調査結果は、休憩エリアの拡張や自動疲労検出などの的を絞った安全戦略を支持します。
• この方法論は、高リスクセグメントの優先順位付けと衝突防止政策の強化のためのデータ駆動型アプローチを提供します。
• 高速道路の安全性を向上させるためには、地域の道路特性に合わせて安全介入を調整することが不可欠です。