Modelling crash frequency and severity using global positioning system travel data: Evaluation of surrogate safety measures and development of a network screening model
Notice bibliographique
Résumé
L'amélioration de la sécurité routière nécessite des méthodes de dépistage des réseaux routiers précises pour identifier et hiérarchiser les sites afin de maximiser l'efficacité des mesures d'amélioration mises en œuvre. Dans la phase de dépistage, les points noirs sont généralement identifiés à l'aide de modèles statistiques basés sur des données historiques d'accidents. Cependant, les bases de données des accidents sont sujettes à des erreurs et des omissions, et les méthodes basées sur les accidents sont réactives. Avec l'arrivée de les données de trajectoire du Système de Positionnement Global (GPS), les méthodes substituts de la sécurité, par nature proactives, ont gagné en popularité. Bien que les smartphones compatibles GPS puissent collecter des données sur les conducteurs avec cet outil peu coûteux, simple et convivial, peu d'études à ce jour ont analysé de grandes quantités de données GPS provenant de téléphones intelligents et considéré des modèles substituts de la sécurité pour le dépistage du réseau. L'objectif principal de cette thèse est de proposer et de valider un cadre de modélisation pour le dépistage du réseau basé sur les données GPS et les mesures substituts de la sécurité (SSM). Premièrement, les méthodes de collecte et de traitement des données GPS et des autres de données associées sont présentées. Des mesures de congestion spatio-temporelle ont été proposées et extraites et des techniques de visualisation ont été explorées. Les résultats ont montré que chaque période de pointe a une période d'apparition et une période de dissipation d'une heure. La congestion en soirée est plus importante et plus dispersée que le matin. La congestion sur les autoroutes, les artères et les collecteurs est plus variable pendant les périodes de pointe. Deuxièmement, différentes SSMs sont proposées et mises en corrélation avec la fréquence et la gravité des collisions. Les événements de freinage et accélération brusques sont corrélés positivement avec la fréquence des accidents. Un nombre plus élevé de véhicules est également associé à une gravité accrue des collisions. Les SSM des variables de trafic considérées comprennent l'indice de congestion (CI), la vitesse moyenne (V̄) et le coefficient de variation de la vitesse (CVS). CI est corrélée positivement avec la fréquence et présente une relation non monotone avec la gravité. V̄ a une corrélation négative avec la fréquence et n'a aucune relation statistique concluante avec la gravité des accidents. CVS est positivement lié à la fréquence et à la gravité accrue des accidents. Troisièmement, un modèle multivarié mixte a été mis au point pour prédire la fréquence et la gravité des collisions en intégrant les SSM dérivées des données GPS comme variables prédictives. Deux modèles sont estimés, à savoir un modèle de la fréquence des collisions avec une approche complètement bayésienne estimé à l'aide de l'approche « Integrated Nested Laplace Approximation » (INLA) et un modèle de la gravité des collisions intégré en utilisant un modèle logit multinomial fractionnel. Les résultats sont combinés pour générer la fréquence postérieure attendue des collisions à chaque niveau de gravité et classer les sites en fonction du coût total des collisions. Ce modèle de la fréquence des collisions s'avèrent précis à l'échelle du réseau, la majorité des SSM proposées étant statistiquement significatifs à un niveau de confiance de 95 %. Dans le modèle de la gravité des collisions, moins de variables sont significatives, mais l'effet de toutes les variables significatives est cohérent avec les résultats antérieurs. Les corrélations entre les classements prédits par le modèle et les données de collision sont de bonne qualité pour les carrefours (0,46) mais sont plus faibles pour les segments (0,25). La capacité à hiérarchiser les sites en fonction des données GPS et des SSM plutôt que des données historiques d'accidents est une contribution importante au domaine de la sécurité routière.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».