文摘
本研究涉及识别事故斑痕和影响因素导致事故使用因素分析在一个中等城市(Tirunelveli)在印度。从文献综述、地理空间技术来识别斑痕和使用造成事故的因素进行分析。最影响因素驾驶事故中被确认和排名基于重复发生事故的事故多发点区域。斯皮尔曼等级系统显示之间的相关性因素造成事故。因子分析技术是利用识别的关键因素推动重复性事故和组。这项研究将帮助交通规划者了解造成事故的因素,采取适当的措施减少伤亡的道路建设规划阶段和现有的条件。
1。介绍
在世界范围内,在交通事故发生,近130万致命的交通事故,其中90%的致命事故发生在低收入人群,如非洲国家,将近20 - 50百万非致命的事故导致残疾(1]。从获得的统计数据,观察到全球低和中等收入的人有很高的贡献的发生交通事故,这是发现事故被发现的总成本近3%的全球国内生产总值(gdp) (2]。脆弱的交通事故引起者是骑自行车,摩托车驾驶员和行人。道路交通事故成本股票总国内生产总值(gdp)的3%。指出,有一个连续增加致命事故从115万年到135万年期间从2000年到2018年(3]。交通事故是全世界一个主要问题。消极的驾驶行为,它本质上是受交通环境和基础设施,以及其他因素,是交通事故的主要原因之一(4,5]。
2019年,近印度道路上交通事故记录4.37卢比,事故是致命的,其中1.54卢比和4.39卢比的事故非致命的,但造成了重大的伤害,使人丧失能力。自行车造成的致命交通事故2019年(58747人死亡),占所有道路死亡人数的38.0%,紧随其后的是卡车/卡车(22637人死亡)(14.6%)、汽车(21196人死亡)(13.7%),和公共汽车(9192人死亡)(5.9%)。在印度,交通事故死亡事故死亡总人数的44%的份额,剩下的事故死亡人数的比例是由于自杀,自然的力量,如洪水、山崩、旋风,暴露在寒冷、暴雨、森林火灾、闪电。2019年,近57228事故记录在泰米尔纳德邦,和印度站在惊人的区域。因此,有必要确定事故的原因并采取适当的缓解措施的道路建设规划阶段和现有的条件6- - - - - -9]。
公路网络是复杂的、动态的、不确定的系统受到人类的影响,技术,环境要素,导致交通事故(10]。发现有一个强大的交通事故之间的关系和道路的几何特征,如视距、曲率半径、坡度(11,12]。事故的数量与切线长度增加,高峰小时体积,纵向节距,但随半径的曲线13]。此外,原因是效率与纵向梯度和速度波动之间的关系,因此,交通拥堵、安全减少,事故发生的风险(14]。它影响驾驶网站距离和司机的行为,如通过其他车辆。纵向表面摩擦和路面的影响放大暴跌坡度,增加发生的可能性(15]。以下人为因素,如健康状况的司机和行人,饮酒,开车时使用手机,分散因路边广告,和司机的年龄,会有更重要的影响道路交通事故的发生5]。环境因素与交通事故有关,如雾、雨、冰和雨,会有更高的相关性发生道路交通事故的16- - - - - -20.]。事故分析的基础上,基于环境暴露类型的道路显示高意义交通事故在恶劣天气条件下(6]。显示在路面条件下结构的研究深度和相应的抗滑值产生更重要的影响事故的发生(7]。
事故过去预测方法都进行了广泛的研究,尤其是在收集到的统计数据,如现货映射方法,事故频率方法,质量控制方法,和事故率方法空间特性等特点,车辆的特性,与人类行为不被认为是21]。在深入事故分析、车辆信息、司机信息、和道路环境信息收集条件如预碰撞、撞击、数据和撞击引起(22]。然而,这种系统严重依赖于交通流数据,如平均每日流量和数据收集的交警在事故地点。然而,交通流数据很少访问不足或有足够的精度来支持这些回归方法。此外,交警可能无法获得所需的所有必要的数据进行分析。考虑上述所有的标准,有必要创建一个模型,该模型可以帮助预测风险区域特定的道路网络。使用内核和叠加分析地理信息系统(GIS)。本研究概述了模型创建识别高速公路事故多发点。GIS空间数据和非空间数据进行分析。因此,一个模型来确定事故地点的位置在路上可能简单地合并使用GIS (23- - - - - -26]。
2。文献综述
最近的研究显示,道路交通事故导致严重的伤害已经被确认为一个重要的公共卫生问题。因此,绳的对策应该开始减少道路交通事故,导致严重受伤的数量在短期和长期的改善结果27]。在多伦多的一项研究中,事故统计分析表明,致命事故是由于下列因素:恶劣的开车,开车时不够专注,超速开车而被罚款。发现的驾驶,超速,和红光事故及其对应的致命事故数的百分比是62.9%,21.4%,10.4%。聚类分析被用来发现属性负责交通事故最终的建模。然而,结果并不是极为显著,扭转可能导致(28]。在一项研究中,事故相关数据易受伤害的道路使用者,如行人和骑自行车的人,从威收集了从2012年到2015年,葡萄牙,执行事故统计分析,识别易受伤害的道路使用者参与道路交通事故的严重程度。风险因素考虑本研究概要,气象数据、位置、性别、和天气条件。这是发现,考虑弱势道路使用者,行人参与道路交通事故的概率增加城市道路上的2.7倍和10.6倍为行人(29日]。碰撞的交通事故严重性估计事故数据收集的喀拉拉邦的14个地区,从2014年到2019年印度为6年。道路伙伴认为国家公路、国家高速公路,和其他道路,它是发现,许多事故发生,特别是在丘陵地区和十字路口的道路几何。最终结果显示大部分交通事故都是由于引起车辆司机、和其他原因,如行人和汽车故障,导致致命事故(30.]。研究人员开发了一种回归模型预测在艾哈迈达巴德市一个致命事故的发生与致命的事故统计分析通过收集数据和交通量每车道Shahibaug和Karanj Bhadra,艾哈迈达巴德,六年,从2005年到2010年的时期。回归模型被发现令人满意的拟合优度和成功的预测率(31日]。组织有一个城市,在规划阶段,我们必须特别留意弱势道路使用者如行人和骑自行车以减少交通事故。聚类分析技术被用来识别相关的常见因素导致不同类型的交通事故。这为交通规划者提供了更好的知识知道的因素导致事故发展的数学模型来预测事故和采取适当的措施在规划阶段本身32]。预测交通事故损伤严重程度和事故预测模型在英国,一个分析方法的数据分析事故数据收集用于4年从2005年到2019年的时期。63年这一分析,属性被认为是三个不同的来源获得的数据,发现影响事故的严重性。机器学习技术,XGBoost算法,使用与其他传统的统计分析和比较,如严重程度指数方法,GIS方法,聚类分析。发现这个技术分层中的传统方法精度甚至不平衡数据(33]。可视化事故分析可使用k函数来确定道路交通事故事故的分布是高度信息。为了找出易出事故的位置,利用核密度估计,并确保一个集群的存在,k函数和最近的距离进行了分析。因此,事故多发点确定。这种方法是专门进行空间分析,其显示显然是一个优势在交通事故分析的其他方法。根据获得的结果,预算分配采取行动来减少未来的交通事故的发生(34]。的研究,得出事故场景和可用的数据的系统分析和实施对策,如提高道路几何设计、交通控制措施,有效的执行可以大大减少交通事故的发生。然而,添加地理空间分析传统的事故分析结果比传统的事故分析没有使用地理空间技术(35- - - - - -37),(38]。最终,人们的流动性严重伤害交通堵塞和事故。事故对国民经济,因为他们可以导致残疾,死亡,健康和财产损失,社会苦难和环境恶化。在上面所有的,没有一个方法确定最具影响力的因素造成事故。在这个研究中,事故分析是由结合GIS识别斑痕,和因子分析是用来确定最具影响力的因素导致事故和排名;因此,未来可以减少事故集中我们的研究和补救措施最具影响力的因素导致事故。
3所示。这项研究的目标
这项研究的目标列出如下:(1)识别新兴斑痕Tirunelveli城市使用地理空间分析(2)识别和等级公路accident-causing因素和影响因素进行分类分组基于特征因素分析导致事故的印度城市
4所示。研究区域
研究区考虑本研究在印度泰米尔纳德邦Tirunelveli城市。这是第六大城市区。Palayamkottai中央商务中心位于东部Thamirabarani河的银行。镇上有很多教育机构和行政办公室区警察总部,医学院校,商业店铺,和医院,吸引更多的流量从城市的郊区,导致城市高交通流量(9,27,29日,31日,33,39- - - - - -53]。1994年的市政公司法案建立了市政公司经营Tirunelveli。这个城市有473637人口,占地面积169.9公里2,如图1。Tirunelveli是连接到其他泰米尔纳德邦的公路和铁路。道路长度的分割表所示1。Nellaiyappar寺庙和其他纺织购物中心、零售商店、市场、教育机构、医院、铁路枢纽、和其他旅游景点都位于研究区。它吸引了更大量的游客和日常购物Tirunelveli区,导致交通堵塞,交通事故,和不受欢迎的延迟。因此,它要求获得交通事故的发展趋势和建议的预防措施避免事故工程方面。
5。数据和方法
5.1。数据收集
为了执行使用地理空间技术事故的事故多发点的识别和执行的因素分析,道路事故数据,如几何特征和人类和环境因素,收集从Tirunelveli交通警察总部。在过去的三年,涵盖所有月从2018年到2020年,3693年总碰撞事故构成致命的事故,不幸受伤事故,轻伤事故,和noninjury事故表2。即使随机方差,三年的数据了。除此之外,三年是一个很好的妥协之间的长期遗忘许多灾难和短时间内不会改变位置。警察部门提供信息,如时间,地点,类型的碰撞和其他细节,如在事故中涉及的汽车。特林布尔GeoExplorer 2008系列手持接收机是用于获得所有事故位置的坐标。它是准确的在3 - 5米。后他们搬到GIS数据库来获得所有的辅助数据。下面的问题被确定在二手数据的收集获得相当数量的交通事故数据在有限的时间内。这样的位置没有明显改变和有效的映射的事件是可能的小偏差3 - 5米的实际位置,如图2。
路上库存调查在高速公路上分析大量元素,可能直接或间接地造成事故的原因是主要的数据优先级的方法。以下是主要的变量来考虑。基于研究回顾和个人经验,车道的数量在每一个方向和交通标志的存在和路标都是要考虑的因素。排水条件,过路的行人随处可见,交通合并和收敛的影响。
收集到的事故数据是地理位置x和y使用手持式GPS坐标。除此之外,道路信息包括纹理深度、几何特征、抽象,路标,路标,视距和其他信息,比如一年,月,日期、时间、车辆类型、原因,死亡等等。此外,从Toposheets道路网络是数字化。数字化道路网络、GPS定位数据合并的路线图。
6。方法
在这个研究中,事故的重要性分析证实了事故严重程度指数的值,这是24.5,其次是事故多发点的识别使用地理空间分析,以及相应的因素导致交通事故被确定,并使用因子分析排名。这篇论文的研究集中在宏观层面上;微观层面因素,如体积容量比和碰撞速度忽略。
6.1。事故严重程度指数
事故严重程度指数考虑事故的严重性以及医疗服务的可用性。100个人死于事故是事故严重程度指数(54,55]。图3描述了Tirunelveli地区的事故严重程度指数相对较高。事故严重程度指数在2018年是20.6;2019年,事故严重程度指数上升到24.5。这表明每100交通事故死亡的人数一直在上升。此外,事故严重程度指数24.5是一个更高的利率。此外,高水平的事故严重程度指数可能是由于数据收集和报告不足。因此,识别事故多发点和对应的应识别和排名影响因素进一步减少事故的道路规划阶段和现有的条件。
6.2。确定事故多发点
在国家和全球层面上,对交通事故分析的研究一直在继续。这项研究的主要目的是确定事故的起因和适当的补救措施以减少道路交通事故的发生。因此,第一步必须识别危险位置,有时被称为事故多发点(56]。早期传统的方法被用来发现的事故多发点位置只考虑事故的数量。在大多数的传统方法,他们使用统计泊松分布,和经验贝叶斯技术是利用9,31日,39,42- - - - - -53,57]。识别过程的目标是选择几个网站大量的可能性增加的安全。理由识别过程应该满足以下条件:经济效益、道路使用者正义,和专业责任(39]。发达国家,像美国,加拿大,欧盟,我们采取具有地域特点开发了工作指导方针来识别和管理事故多发点(58]。
6.3。空间事故数据分析
研究人员应该有一个清晰的理解的时空事件引起意外事故进行统计使用独特的数据映射和建模(59- - - - - -61年]。在这个研究中,电弧GIS软件是用于分析事故地点。使用的相关数据字段验证有高层次的准确性。执行事故多发点分析、新兴热点分析(EHA)方法中利用ArcGIS软件。在这个研究中,x和y识别交易的位置,z房地产交易登记的时候,城市的位置或区域(62年]。
识别斑痕,三步内核工具组成的核密度估计,内核函数,和带宽用于密度估计,提供集群的映射,和收集的事件是使用Getis-Ord完成的函数给出了方程(1)。收集事件函数是用来执行操作,产生一个新的包含加权输出点特征类的字段数表达的总和的事故数量指定的地理位置。的Getis-Ord热点功能利用加权特征作为输入参数指向集群研究领域的事故多发点的准确性(25,27,40]。来确定价值,下列方程利用。 在哪里Wij(d)代表的值j在d的靶细胞我,代表所有重量的总和,代表所有平方重量的总和,代表单元格数据的标准差。
在统计分析,z分数计算。基于GiZScore,内核密度事故多发点被确定和光栅文件显示事故产生集群或高强度较低33,41]。这次调查主要是产生geo-databases,查询,根据各种参数和密度地图。GIS分析有助于识别Tirunelveli的斑痕。QGIS热图插件的方法是利用定位事故斑痕。点数据检查以这种方式建立一个插值结果描述出现的密度。每个栅格单元被分配一个密度值,使用梯度和整个层代表。最后的可视化,影响观众如何解释数据,是主观的。最后的解释可能不同,这取决于类的数量和细胞用于创建梯度范围。五个不同类别构建热图进行评估,与细胞的200,如图4。
映射,免费可用的建筑国税局P6 LISS-III(印度遥感Satellite-P6线性成像自扫描)是利用从Bhuvan获得印度门户。列出获得的数据。与五类创建一个热图使用QGIS热图插件。密度图如图所示4,斑痕形成与类。从密度地图,五个意外事故多发点,如表所示3。
6.4。事故多发点位置原因和补救措施
6.4.1。双层桥(Tirunelveli结)
原因是由于道路宽度缩小由于路边市场,缺乏人行小路,道路标志、照明、不当视距交界处,超速,人行横道,不当的几何特征。路边的商店应该删除,应该纠正和几何特性。
6.4.2。在Tirunelveli法庭面前
这原因是由于行人的运动从法院对面酒店和商店,导致沉重的行人和骑摩托车穿越。
6.4.3。Vannarpettai结
这原因是由于医院、纺织商店和酒店定位,导致沉重的人流和车辆运动和PCU高于实际容量在节日期间和车辆在路边停车。下列补救措施涉及到行人的地铁建设,提供人行道两边的道路,和建设中。
6.4.4。Samathanapuram结
原因是由于路边的商店,缺乏道路标记和照明几何特征,不当和几何特征等补救措施,如渠道化,平滑的曲线半径,中位数,岛来减少冲突。
6.4.5。Thatchanallur(绕过路交界处)
原因是由于国家公路穿过这个地方高两边行人运动行人的道路和路口道路的一边到另一端,亦然,有更高的设计速度,和补救措施的建设地铁是迎合了行人穿越那个地方。
6.4.6。数据分析在事故多发点
因素导致意外事故记录,如交通特征、几何特征、人类行为、车辆特征。表4利用数据分析来排名最具影响力的因素导致事故使用因子分析社会科学统计软件包的软件。健身因素分析适合的数据被Bartlett的测试检查。确认信息的充分性,因子分析是研究使用Kaiser-Meyer-Olkin测试(29日]。
6.5。排名的因素
社会科学统计软件包(SPSS)软件是用来分析收集到的数据。收集到的数据在事故现场道路几何、道路特点、街道家具、人类行为、环境因素、车辆特征。分析收集的数据来自120年事故地点包括致命的严重受伤,轻伤,noninjury确认因素导致事故的事故多发点。频率指数(F.I.)计算和排名如表所示,及其对每个类别的排名计算每个因子和表4。表5显示了领先的十个因素导致事故,覆盖所有组在每个组除了街道家具的特点。从获得的观测,指出,人为因素等特性站第一次作为一个accident-causing因素,其次是车辆因素站第二位置和几何因素在第三的位置。
7所示。研究的范围
本研究确定了最影响因素导致事故时的驱动因素的道路事故和研究区有限数量的事故黑点;因此,以整体的方式获得的严重性指数。因此,建议交叉口和道路部分应该在将来的研究中分别检查。因此,它给出了一个交通规划者,采取适当行动,以减少事故在短期内,在很长一段时间。
8。研究的局限性
以下的局限性研究微级因素引起的事故,如司机行为,角碰撞,碰撞类型,体积容量比,和水平的服务,将被忽略。
9。结论
在过去的研究中,通过统计分析事故数据进行了分析;机器学习,聚类分析,基于gis技术,利用了所有的因素导致了交通事故,但高度导致道路交通事故的影响因素是不确定和排名。统计方法在本质上是广义的,基于gis技术,分析显示事故在指定地区的分布以及空间数据。本研究利用统计分析,根据严重程度指数;事故研究进行了在一个特定的区域,识别事故多发点的区域,最影响accident-causing因素,尤其是在那个地区的斑痕。30 accident-causing因素被识别和排名。十大影响因素导致事故的体积容量比例,缺乏能见距离,不受控制的路口,桥的方法,缺乏小径,抗滑性,男司机,酒后开车,超速,客运车辆。这项研究显示,accident-causing因素的识别在印度是一个非常复杂的过程,需要主动决定减少事故的道路系统,这样交通事故可以有效地在未来大幅减少。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突。
确认
作者感谢伊朗伊斯兰自由大学和电信研究中心。