Detailergebnis zu DOK-Nr. 79187
Erkundende Visualisierung für Verkehrssicherheit mit adaptiven Untersuchungsgebieten (Orig. engl.: Explorative visualization for traffic safety using adaptive study areas)
| Autoren |
A.S. Berres H. Xu S.A. Tennille J. Severino S. Ravulaparthy J. Sanyal |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 6.3 Verkehrssicherheit (Unfälle) |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2675, H. 6, 2021, S. 51-69, 15 B, 30 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr
Die dringende Notwendigkeit, die Verkehrssicherheit zu verbessern, ist in vielen Städten der Welt zu einem gesellschaftlichen Anliegen geworden. Viele Verkehrsunfälle ereignen sich nicht als Einzelereignisse, sondern als Folge anderer Straßenverkehrsunfälle und -gefahren. Um die Hinweise auf die Verkehrssicherheit aus einem ganzheitlichen Blickwinkel zu erfassen, werden in dem Beitrag eine Reihe von Visualisierungstechniken vorgestellt, mit denen große Datenmengen zur Verkehrssicherheit aus verschiedenen Quellen anhand von adaptiven Untersuchungsgebieten untersucht werden können, die die gesamte Region (Hamilton County, Ohio, USA) sowie kleinere Teilgebiete umfassen. In der Studie sind diese Datenquellen die Notruf-Notfalldaten von Hamilton County, die sowohl Verkehrsunfälle als auch andere Arten von Unfällen im gesamten County umfassen, und Unfalldaten aus Tennessee, die nur Fahrzeugunfälle mit genaueren Angaben zu den Umständen der einzelnen Unfälle enthalten. Es werden sowohl abstrakte als auch räumliche Visualisierungstechniken verwendet, um ein besseres Verständnis der Verkehrssicherheitsmuster für verschiedene Verkehrsteilnehmende in verschiedenen städtischen Umgebungen zu gewinnen. Neben der gesamten Region von Hamilton County wird die Sicherheit auf den Autobahnen, in der Innenstadt und in einem Einkaufsviertel östlich des Stadtzentrums untersucht. Es ist möglich, die Vorfälle in den verschiedenen Bereichen zu charakterisieren, ein besseres Verständnis der allgemeinen Vorfallmuster zu erlangen und Ausreißer in den Daten zu identifizieren. Schließlich wird ein strukturierter Kachelkalender vorgestellt, um raum-zeitliche Muster zu vergleichen.