Analysis of Spatial Concentrations of Large-Truck Crashes Using Data Mining Methods
Notice bibliographique
Résumé
In recent years, the number of studies on crashes involving large-trucks has increased due to its importance to the economy and the higher chance of fatalities. However, none of the previous studies has given attention to the spatial concentrations of large-truck crashes. Moreover, the literature lacks exploration of granular level land use and urban design factors. The current study used the DBSCAN (Density-Based Spatial Clustering of Application with Noise) method to identify the spatial concentrations of crashes involving large-trucks. Additionally, the study explored housing, population, employment, and road network density attributes along with the crash characteristics, roadway attributes, location type, traffic conditions, driver’s action and behavior, and environmental factors. The association rule analysis was employed to discover the contributory factors that lead to no injury, non-severe and severe injuries at the spatial concentrations of crashes involving large-trucks. The findings indicated that the rear-end collisions involving drunk drivers often lead to severe injuries in large-truck crashes. Non-interstate roads, speed limit from 40 to 80 kilometers per hour, high road network density, medium and high population density are frequent conditions of non-severe injuries. Lastly, collisions between large-trucks and fixed objects, sideswipe same direction collisions, snowy roads, clear weather, medium road network and employment density are likely to facilitate no injury crashes involving large-trucks. Road traffic authorities can use these insights to reduce the frequency and severity of crashes involving large-trucks at their spatial concentrations.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,010 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 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) | 0,001 | 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 ».