Zurück Vor

Detailergebnis zu DOK-Nr. 77637

Sequenzielle Vorhersage für die Dauer von Verkehrsunfällen in großem Maßstab: Anwendung und Vergleich von Survival-Modellen (Orig. engl.: Sequential prediction for large-scale traffic incident duration: Application and comparison of survival models)

Autoren	X. Li J. Liu A. Khattak S.S. Nambisan
Sachgebiete	1.4 Statistik (Straßen, Kfz, Unfälle) 6.2 Verkehrsberechnungen, Verkehrsmodelle

Transportation Research Record: Journal of the Transportation Research Board Vol. 2674, H. 1, 2020, S. 79-93, 4 B, 5 T, 31 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr

Eine schnelle und genaue Vorhersage der Dauer von Verkehrsstörungen, die zum Stau führen, könnte das Management von Verkehrsstörungen erheblich erleichtern. Im Frühstadium einer Störung stehen jedoch nur wenige Informationen für die Vorhersage zur Verfügung. Das Sammeln von Informationen über groß angelegte Verkehrsstörungen ist ein chronologischer Prozess, wenn eine Reaktion mehrerer Behörden erforderlich ist. In der Anfangsphase können Informationen wie der Zeitpunkt des Störungsbeginns und die Straßen- und Wetterbedingungen verfügbar sein, aber Informationen über die Einsatzkräfte und die Lösungen für das Störungsmanagement (zum Beispiel Fahrbahnsperrungen) bleiben unbekannt. Ziel der Studie war es, eine sequenzielle Vorhersagemethode zu entwickeln, die den chronologischen Prozess der Informationsbeschaffung bei Unfällen berücksichtigt. Die Methode basiert auf der parametrischen Überlebensmodellierung, die häufig zur Vorhersage der Unfalldauer verwendet wird. Für die Studie wurde eine einzigartige Unfalldatenbank genutzt und über 600 Großunfälle in der Region East Tennessee von 2015 bis 2016 identifiziert. Es wird eine fünfstufige Prognosemethode vorgeschlagen, die sich an dem chronologischen Prozess orientiert, in dem Informationen während des Einsatzes verfügbar werden. Anhand der Daten wurden in der Studie drei Überlebensmodelle verglichen: das Frailty-Modell, das Multilevel-Mixed-Effects-Modell und das Finite-Mixture-Modell. Je mehr Informationen für die Modellierung von der ersten bis zur letzten Phase zur Verfügung stehen, desto besser ist die Leistung der Modelle in Bezug auf den mittleren quadratischen Fehler und den mittleren absoluten Prozentfehler. Das Finite-Mixture-Modell übertrifft die beiden anderen Modelle und sein mittlerer absoluter Fehler liegt zwischen 10 und 15 %. Die mit den Ereignissen verbundenen Faktoren werden in jeder Phase erörtert, und die Ergebnisse der Studie werden in dem Artikel auch berücksichtigt.