基于机器学习框架,评估高速公路-铁路级别交叉路口安全对策的有效性
Mohammadali Zayandehroodi1, Barat Mojaradi1, Morteza Bagheri2
1School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran.
Traffic injury prevention
|September 26, 2024
概括
这项研究使用机器学习对高速公路和铁路等级交叉口 (HRGC) 进行了集群,以评估安全对策的有效性. 在特定的HRGC环境中,钟和十字路口显示了显著的碰撞减少.
科学领域:
- 运输安全运输安全
- 在土木工程中的数据科学.
- 交通工程是交通工程.
背景情况:
- 高速公路-铁路等级交叉口 (HRGC) 面临着独特的安全挑战.
- 了解各种安全对策的有效性对于预防事故至关重要.
- 现有的研究往往缺乏对不同HRGC类型的对策性能进行细分分析.
研究的目的:
- 为了针对性安全分析,将类似的高速公路和铁路等级交叉口 (HRGC) 集成在一起.
- 根据HRGC特征评估不同安全对策的有效性.
- 确定影响HRGC碰撞严重性的关键因素.
主要方法:
- 使用的联邦铁路协会 (FRA) 库存和碰撞数据 (2010-2022).
- 采用XGBoost和随机森林 (RF) 算法来识别关键碰撞严重性因素.
- 应用深度潜伏类分析 (DLCA) 来基于库存数据对HRGC进行集群.
- 计算的碰撞修改系数 (CMF) 和标准误差 (SE) 对于每个集群内的对策.
主要成果:
- XGBoost确定了20个影响碰撞严重性的重要因素,包括每日列车量和表面材料.
- DLCA成功创建了4个独特的HRGC集群,具有高度的集群内部相似性.
- 钟声在集群中表现出优越的安全性,具有利的轨道角度和高列车速度,减少了高达53%的碰撞 (CMF=0.47).
结论:
- 机器学习有效地识别关键因素和集群HRGC用于细微的安全分析.
- 在不同的HRGC集群中,对策的有效性有很大差异.
- 钟在特定的高风险环境中非常有效,而十字路口在适度的交通条件下是有益的.
