Notice: Only variables should be passed by reference in /var/www/clients/client26/web109/web/src/Plugin/dokstrasse/FrontendPage.php on line 349
Zurück Vor
Detailergebnis zu DOK-Nr. 80686
Vertieftes Verständnis von Beinahe-Unfällen durch Mustererkennung (Orig. engl.: In-depth understanding of near-crash events through pattern recognition)
Autoren |
X. Kong S. Das Y. Zhang L. Wu J. Wallis |
---|---|
Sachgebiete |
6.1 Verkehrserhebungen, Verkehrsmessungen 6.3 Verkehrssicherheit (Unfälle) |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2676, H. 12, 2022, S. 775-785, 4 B, 3 T, 29 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Die Untersuchung von Beinahe-Unfällen kann der Sicherheitsforschung helfen, das Wesen von Unfällen aus verschiedenen Perspektiven zu verstehen. Herkömmlichen Unfalldatensätzen fehlen Informationen darüber, was unmittelbar vor dem Unfallereignis geschah. In der Studie wurde ein Beinahe-Unfall-Datensatz verwendet, der aus einer naturalistischen Fahrstudie stammt und Merkmale zur Beschreibung der Fahrzeuge, der Fahrenden und Informationen über andere Fahrzeuge enthält, die vor und während des Beinahe-Unfalls beteiligt waren. Dieser Datensatz bietet eine einzigartige Perspektive, um die Muster von Beinahe-Unfällen zu verstehen. In der Studie wurde der Algorithmus der Cluster-Korrespondenzanalyse (cluster CA) angewandt, um die Muster und das Ausmaß der Dominanz der einzelnen Merkmale innerhalb und zwischen den Clustern durch Dimensionsreduktion zu untersuchen. Die Analyse identifiziert sechs Cluster mit vier Arten von Beinahe-Unfällen: Beinahe-Unfälle mit benachbarten Fahrzeugen, Beinahe-Unfälle mit folgenden oder führenden Fahrzeugen, Beinahe-Unfälle mit abbiegenden Fahrzeugen und Beinahe-Unfälle mit Objekten auf der Fahrbahn. Die Ergebnisse zeigen auch, dass die ersten beiden Arten von Beinahe-Unfällen am häufigsten sind. Die Muster für diese beiden häufigsten Arten unterscheiden sich, wenn eine Einbeziehung von Sekundäraufgaben beim Fahren vorliegt (zum Beispiel Fahrzeugsysteme überwachen, Schilder lesen und erkennen). Die Ergebnisse der Studie bieten eine neue Perspektive für das Verständnis verschiedener Unfalltypen und der damit verbundenen Muster. Darüber hinaus könnten die Ergebnisse Verkehrsbehörden oder der Fahrzeugtechnik dabei helfen, wirksamere Gegenmaßnahmen zur Verringerung des Kollisionsrisikos zu entwickeln.