Detailergebnis zu DOK-Nr. 82393
Maschineller Lernansatz zur Verbesserung der Sicherheit an Bahnübergängen durch Analyse von Unfalldaten und Identifizierung von Unfallschwerpunkten (Orig. engl.: Machine learning approach to enhance highway railroad grade crossing safety by analyzing crash data and identifying hotspot crash locations)
| Autoren |
P. Rana F. Sattari L. Lefsrud M. Hendry |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 1.4 Statistik (Straßen, Kfz, Unfälle) 5.3.4 Öffentlicher Personennahverkehr 6.3 Verkehrssicherheit (Unfälle) |
Transportation Research Record (TRR): Journal of the Transportation Research Board Vol. 2678, H. 7, 2024, S. 1055-1071, 12 B, 9 T, zahlr. Q. - Online unter: https://journals.sagepub.com/home/trr
Ein sicherer Bahnbetrieb ist für die öffentliche Sicherheit, die Umwelt und das Eigentum von entscheidender Bedeutung. Parallel zum Anstieg des Schienenverkehrsaufkommens im kanadischen Schienennetz ist in den letzten zehn Jahren auch die Zahl der jährlichen Unfälle durch Entgleisungen, Kollisionen und Unfälle an Bahnübergängen (Highway Railroad Grade Crossings, HRGCs) gestiegen. HRGCs sind wichtige räumliche Bereiche des Schienennetzes, und die Entwicklung von Wohngebieten in der Nähe von Eisenbahnstrecken erhöht das Risiko von Unfällen zwischen Straßenfahrzeugen und fahrenden Zügen an HRGCs, was zu Folgen wie Sachschäden, Verletzungen und Todesfällen führen kann. Diese Forschung zielt darauf ab, die wichtigsten Faktoren zu identifizieren, die Unfälle an HRGCs verursachen und die Schwere der damit verbundenen Unfälle beeinflussen. Unter Verwendung dieser ursächlichen Faktoren und Ensemble-Algorithmen wurden maschinelle Lernmodelle entwickelt, um HRGC-Unfälle und die Schwere der damit verbundenen Unfälle zwischen 2001 und 2022 in Kanada zu analysieren. Darüber hinaus wurden räumliche Autokorrelations- und optimierte Hotspot-Analyse-Tools aus der ArcGIS-Software verwendet, um Hotspot-Standorte von HRGC-Unfällen zu identifizieren. Die optimierte Hotspot-Analyse zeigt die Häufung von HRGC-Unfällen in der Umgebung großer kanadischer Städte. Die Analyse der Cluster-Merkmale stützt die Ergebnisse, die für die Ursachen von HRGC-Unfällen erzielt wurden. Diese Forschungsergebnisse tragen zu einem besseren Verständnis der wichtigsten Ursachen und Hotspot-Standorte von HRGC-Unfällen bei und unterstützen die Behörden bei der Umsetzung von Gegenmaßnahmen zur Verbesserung der Sicherheit von HRGCs im gesamten Schienennetz.