Detailergebnis zu DOK-Nr. 77409
Verbesserte Methodik zur Identifizierung von Orten mit hohem Risiko für Unfälle bei Nässe (Orig. engl.: Enhanced methodology for the identification of locations with high risk of wet crashes)
| Autoren |
K.X. Vélez Rodríguez S.W. Katicha G.W. Flintsch |
|---|---|
| Sachgebiete |
1.4 Statistik (Straßen, Kfz, Unfälle) 6.3 Verkehrssicherheit (Unfälle) |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2673, H. 11, 2019, S. 29-37, 8 B, 1 T, 28 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr
Etwa 18 % der Unfälle auf den Interstates-Straßen im Bundesstaat Virginia zwischen 2014 und 2016 wurden als Unfälle auf nasser Fahrbahn gemeldet. Obwohl umfangreiche Untersuchungen zu Unfällen durchgeführt wurden, wurde der Vorhersage von Unfällen auf nasser Fahrbahn bisher nur wenig Aufmerksamkeit gewidmet. Beim Verhältnis zwischen Unfällen auf nasser und trockener Fahrbahn (wet over dry ratio, WDR) ist traditionell der Parameter von Interesse. In der Arbeit wird eine negative Binomialregression verwendet, um die Beziehung zwischen WDR und Verkehrs- und Straßenparametern zu quantifizieren. Ein Problem mit dem WDR ist die Behandlung von Standorten ohne Unfallzahlen bei Trockenheit. Dieses Problem wurde gelöst, indem die Nullen numerisch durch 0,5 ersetzt wurden oder indem eine empirische Bayes-Schätzung der erwarteten Anzahl von Unfällen bei Trockenheit anstelle der Unfallzahlen verwendet wurde. Der empirische Bayes-Ansatz führte zu einer besseren Modellanpassung, gemessen anhand des sogenannten Akaike-Informationskriteriums, benannt nach Hirotsugu Akaike (1927–2009). Das Akaike-Informationskriterium ist eines der am häufigsten verwendeten Kriterien für die Modellauswahl im Rahmen der Likelihood-basierten Inferenz (aus einem formalen System automatisiert erstellte Folgerung). Das negative Binomialmodell, das für Unfälle auf nasser Fahrbahn entwickelt wurde, wurde verwendet, um Parameter zu identifizieren, die die Wasserfilmdicke der Fahrbahn und die erwartete Anzahl von Unfällen auf nasser Fahrbahn beeinflussen. Der Ansatz identifizierte den Längsgefälleunterschied als einen wichtigen Parameter.