Detailergebnis zu DOK-Nr. 82157
Auswirkungen des Ball-Bank-Indikators auf die Vorhersage von Unfällen in Kurven auf Landstraßen (Orig. engl.: Impact of ball bank indicator on predicting rural curve crashes)
| Autoren |
R. Knezevich Z. Yang P. (L.) Yu Y.-C. (J.) Tsai |
|---|---|
| Sachgebiete |
6.3 Verkehrssicherheit (Unfälle) 5.2 Landstraßen 14.0 Allgemeines (u.a. Energieverbrauch) |
Transportation Research Record (TRR): Journal of the Transportation Research Board Vol. 2678, H. 6, 2024, S. 376-389, 31 B, 3 T, zahlr. Q. - Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Der Ball Bank Indicator (BBI) misst die seitlichen Kräfte, die auf ein Fahrzeug wirken. Er wird verwendet, um die empfohlene Höchstgeschwindigkeit gemäß dem Green Book der "American Association of State Highway and Transportation Officials" (AASHTO) festzulegen. Die BBI-Werte reagieren auf die Straßengeometrie und das Fahrverhalten. Derzeit sind BBI-Daten für verschiedene Kurven in den USA verfügbar. Der Zusammenhang zwischen BBI und dem Verlassen der Fahrbahn in der Kurve ist jedoch unbekannt. Daher war es das Ziel dieser Arbeit (des Georgia Institute of Technology in Atlanta), die Auswirkungen des BBI als erklärende Variable für das Abkommen in der Kurve innerhalb einer Sicherheitsleistungsfunktion (safety performance function (SPF), d. h. einem Unfallvorhersagemodell) zu bewerten. Um dieses Ziel zu erreichen, wird eine Studie zu Kurven in ländlichen Gebieten in den Distrikten 1, 2 und 6 des Verkehrsministeriums von Georgia in den USA durchgeführt. Der BBI wird zusammen mit anderen gängigen erklärenden Variablen, die im Highway Safety Manual (HSM) verwendet werden, in ein negatives Binomialmodell integriert. Diese SPF mit integrierter BBI wird mit einer Basis-SPF ohne BBI verglichen. Die Ergebnisse zeigen, dass BBI eine statistisch signifikante Variable unter einer Schwelle von 99,9 % ist. Darüber hinaus wurde festgestellt, dass das Modell mit BBI einen um 2,78 % geringeren mittleren absoluten Fehler und einen um 2,83 % geringeren mittleren quadratischen Fehler aufweist. Obwohl die Verbesserung des Modells gering ist, ist dieses Ergebnis bemerkenswert, da BBI-Daten möglicherweise bereits für Verkehrsbehörden verfügbar sind, um das Risiko auf Kurven zu bewerten. Darüber hinaus könnten diese Daten noch nützlicher sein, wenn sie durch Crowdsourcing erhoben würden, um das Verhalten in der realen Welt zu messen.