Detailergebnis zu DOK-Nr. 80640
Kurzfristige Unfallvorhersage für zweistreifige Landstraßen: Anwendung von erklärbarer künstlicher Intelligenz (Orig. engl.: Short duration crash prediction for rural two-lane roadways: Applying explainable artificial intelligence)
| Autoren |
Z. Wei S. Das Y. Zhang |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 5.2 Landstraßen 6.3 Verkehrssicherheit (Unfälle) |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2676, H. 12, 2022, S. 535-549, 8 B, 4 T, 39 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Herkömmliche Methoden zur Analyse von Verkehrsunfällen verwenden häufig hoch aggregierte Daten, was es schwierig macht, die Auswirkungen zeitlich variabler Faktoren auf das Unfallgeschehen zu verstehen. In der Studie wurde die kombinierte Wirkung von Fahrbahngeometrie, Geschwindigkeitsverteilung und Wetterbedingungen auf das Auftreten und die Schwere von Unfällen anhand von kurzzeitigen täglichen Unfalldaten untersucht. Für die Studie wurden Daten aus vier verschiedenen Quellen auf zweistreifigen Landstraßen in Texas gesammelt. Zum Trainieren der Daten wurde ein maschinelles Lernverfahren (XGBoost, eXtreme Gradient Boosting) eingesetzt. Um Probleme mit unausgewogenen Daten zu entschärfen, wurde ein synthetisches Minoritäts-Oversampling-Verfahren (SMOTE) eingesetzt. Das XGBoost-Modell wurde separat für alle Unfälle und für schwere Unfälle trainiert. Schließlich wurde eine erklärbare Technik der künstlichen Intelligenz (KI), SHAP (SHapley Additive exPlanation), angewandt, um den Beitrag aller Variablen zum Ergebnis des Modells zu untersuchen. Die Ergebnisse zeigen, dass die durchschnittliche tägliche Verkehrsstärke auf zweistreifigen Landstraßen einen signifikanten Einfluss auf das gesamte Unfallgeschehen und auf schwere Unfälle (mit tödlichen und unfallbedingten Verletzungen) hat. Darüber hinaus zeigen Wetterfaktoren wie der tägliche Niederschlag, die durchschnittliche Sichtweite und die Standardabweichung der Sichtweite einen Zusammenhang mit einem hohen Unfallgeschehen. Die Modelle der Studie zur Vorhersage von Kurzzeitunfällen können weitere Einblicke in die Beziehungen zwischen Unfällen, geometrischen Variablen, Verkehrsbelastung, Wetter und Fahrgeschwindigkeit liefern.