探索与超速事故中伤害严重程度相关的因素的空间异质性:一个集成的机器学习和空间建模方法
Zihe Zhang1, Ningzhe Xu2, Jun Liu2
1Alabama Transportation Institute, The University of Alabama, Tuscaloosa, AL 35487, United States.
Accident; analysis and prevention
|July 5, 2024
概括
超速撞车造成了许多交通事故的死亡. 这项研究使用了一个新的空间机器学习模型来找出驾驶员条件和位置等因素如何影响受伤严重程度,揭示了针对性安全干预的局部风险模式.
科学领域:
- 交通安全 交通安全
- 机器学习 机器学习
- 空间分析 空间分析
背景情况:
- 超速是交通事故死亡的主要原因之一.
- 了解超速撞车中受伤严重程度的风险因素对于有效的安全干预至关重要.
- 现有的模型往往无法解释撞车数据的空间变化.
研究的目的:
- 为了研究超速事故中的空间异质性.
- 确定影响损伤严重程度的局部风险因素.
- 通过解决空间变化来制定有针对性的安全措施.
主要方法:
- 介绍地理加权神经网络 (GWNN) 模型,一种空间机器学习方法.
- 通过使用空间加权数据,训练每个事故地点的本地NN模型.
- 从阿拉巴马州 (2020-2021) 分析了两年超速相关的撞车数据.
主要成果:
- 在影响超速撞车伤害严重程度的因素中发现了显著的空间变化.
- 关键因素包括驾驶员状况,车辆类型,碰撞类型,速度限制,天气,碰撞时间/地点,道路对齐和交通量.
- 确定了三种类型的空间变化:一致的正,一致的负和反向关联.
结论:
- 该GWNN模型有效地揭示了超速事故中的空间异质性.
- 局部化风险因素分析使得交通安全干预更加有针对性和有效.
- 这些发现支持制定特定地点的政策,以减少与超速有关的死亡和伤害.


