Detailergebnis zu DOK-Nr. 81693
Die Anwendung von Data Mining-Methoden auf die Untersuchung von Unfällen zwischen Tieren und Fahrzeugen (Orig. engl.: Applying data mining methods to explore animal-vehicle crashes)
| Autoren |
M.A. Rahman S. Das J. Codjoe E. Mitran X. Sun K. Abedi M.M. Hossain |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 1.4 Statistik (Straßen, Kfz, Unfälle) 6.3 Verkehrssicherheit (Unfälle) |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2677, H. 11, 2023, S. 665-681, 6 B, 6 T, 48 Q. - Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Unfälle zwischen Tieren und Fahrzeugen (englisch: Animal-vehicle crashes, AVCs) sind ein bedeutendes Problem im Bundesstaat Louisiana, das Aufmerksamkeit erfordert. Das "Louisiana Department of Transportation and Development" (DOTD) lieferte Daten zu Verkehrsunfällen, die sich zwischen 2015 und 2020 ereigneten, darunter 14 349 Unfälle mit schweren Verletzungen (major injury, KA), leichten Verletzungen (minor injury, BC) und ohne Verletzungen (no injury, O). Mit dem Ziel, die kollektive Assoziation von Attributen aus den kategorialen AVC-Daten zu finden, wurden in der Studie zwei Data-Mining-Methoden eingesetzt: Die Multiple Korrespondenzanalyse (MCA) und das Assoziationsregel-Mining (ARM). Fünf hierarchische Cluster, die aus den BC- und O-AVC-Datensätzen gebildet wurden, waren besonders signifikant. Die MCA ergab unter anderem, dass BC- und O-Verkehrsunfälle im Frühjahr eher auf Gemeindestraßen auftreten, während O-Verkehrsunfälle im Herbst und Winter eher auf Autobahnen mit Geschwindigkeitsbegrenzungen von 50 mph (80 km/h) oder mehr auftreten. ARM ergab, dass Gemeindestraßen, auf denen mäßig schnell gefahren wird, häufig mit KA- und BC-Verkehrsunfällen in Verbindung gebracht werden, insbesondere in Wohngebieten und während der Frühjahrssaison, und dass daran häufig junge Fahrende beteiligt sind. Die Ergebnisse der Studie können besonders nützlich sein, wenn man die räumlich-zeitlichen Faktoren berücksichtigt, die mit der Konzentration und der Bewegung von Tieren verbunden sind, um gezielte Interventionen und Minderungsstrategien zu entwickeln.