Discovering Insightful Rules among Truck Crash Characteristics using Apriori Algorithm
Notice bibliographique
Résumé
This study aims to discover hidden patterns and potential relationships in risk factors in freight truck crash data. Existing studies mainly used parametric models to analyze the causes of freight vehicle crashes. However, predetermined assumptions and underlying relationships between independent and dependent variables have been cited as its limitations. To overcome these limitations and provide a better understanding of factors that lead to truck crashes on the expressways, we applied the Association Rules Mining (ARM) technique, which is a nonparametric method. ARM quantifies the interrelationships between the antecedents and consequents of truck-involved crashes and provides researchers with the most influential set of factors that leads to crashes. We utilized a freight vehicle-involved crash data consisting of 19,038 crashes that occurred on the Korean expressways from 2008 to 2017 for this investigation. From the data, 90,951 association rules were generated through ARM employing the Apriori algorithm. The lift values estimated by the Apriori algorithm showed the strength of association between risk factors, and based on the estimated lift values, we identified key crash contributory factors that lead to truck-involved crashes at various segment types, under different weather conditions, considering the driver’s age, crash type, driver’s faults, vehicle size, and roadway geometry type. From the generated rules, we demonstrated that overspeeding with medium-weight trucks was highly associated with crashes during the rainy weather, whereas drowsy driving during the evening was correlated with crashes during fine weather. Segment-related crashes were mainly associated with driver’s faults and roadway geometry. Our results present useful insights and suggestions that can be used by transport stakeholders, including policymakers and researchers, to create relevant policies that will help reduce freight truck crashes on the expressways.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».