Zurück Vor

Detailergebnis zu DOK-Nr. 77057

Clustering-Ansatz zur Analyse von Lkw-Unfällen (Orig. engl.: Clustering approach toward large truck crash analysis)

Autoren	A. Rahimi G. Azimi H. Asgari X. Jin
Sachgebiete	1.4 Statistik (Straßen, Kfz, Unfälle) 5.21 Straßengüterverkehr 6.3 Verkehrssicherheit (Unfälle)

Transportation Research Record: Journal of the Transportation Research Board Vol. 2673, H. 8, 2019, S. 73-85, 4 B, 5 T, 53 Q. - Online-Ressource: Verfügbar unter: http://journals.sagepub.com/home/trr

Die Heterogenität von Unfalldaten verschleiert die zugrundeliegenden Unfallmuster und macht die Unfallanalyse schwierig. In dem Beitrag wird ein fortschrittlicher hochdimensionaler Clustering-Ansatz zur Untersuchung von Heterogenität in großen Datensätzen untersucht. Detaillierte Aufzeichnungen von Unfällen mit großen Lkw, die sich zwischen 2007 und 2016 im Bundesstaat Florida ereignet haben, wurden untersucht, um Lkw-Unfallmuster und signifikante Bedingungen, die zu den Mustern beitragen, zu identifizieren. Die Block-Clustering-Methode wurde auf mehr als 220 000 Unfalldatensätze mit fast 200 Attributen angewendet. Die Analyse zeigte vielversprechende Ergebnisse bei der Segmentierung eines großen heterogenen Datensatzes in sinnvolle Untergruppen (mit einem durchschnittlichen Homogenitätsgrad von 95,72 % für ausgewählte Blöcke). Die Anpassungsgüte (Goodness of Fit) der Clustering-Methoden wurde evaluiert und sowohl die Werte der integrierten abgeschlossenen Likelihood-Funktion (ICL) als auch die Pseudo-Likelihood-Funktion verbesserten sich deutlich (20,8 beziehungsweise 21,1 %). Das Attribut-Clustering zeigte deutliche Merkmale für jedes Cluster. Das Clustering von Unfällen zeigte signifikante Unterschiede zwischen den Clustern und legte nahe, dass dieser Unfalldatensatz in Unfälle in die gleiche Richtung, in die entgegengesetzte Richtung und in Unfälle mit einem Fahrzeug unterteilt werden kann. Einzelne Blöcke, die sowohl durch Zeilen- als auch Spaltenclusterung definiert wurden, wurden weiter untersucht, um den Beitrag der Bedingungen, die zu Unfällen mit großen Lkw führen, besser zu verstehen. Die wichtigsten Merkmale für jede der drei Hauptunfallarten wurden analysiert, was zusätzliche Erkenntnisse für die Entwicklung potenzieller Gegenmaßnahmen und Strategien liefern kann, die auf bestimmte Segmente abzielen. Der Clustering-Ansatz könnte als Voranalyse-Methode verwendet werden, um homogene Untergruppen für weitere Analysen zu identifizieren, was dazu beitragen wird, die Effektivität von Sicherheitsprogrammen zu erhöhen.