分析交通事故严重程度在工作区域在不同的光照条件

文摘

先前的研究已经调查了各种因素导致工作区域事故的严重程度。然而,几乎没有对特定的光照条件的影响。使用数据从田纳西州增强道路信息管理系统(E-TRIMS),发生的事故中,2003 - 2015年期间在田纳西工作区域分为三个光照条件:白天,dark-lighted, dark-not-lighted。一个常用的决策树方法分类和回归树(CART)——采用调查因素导致高速公路事故严重性工作区域在这种光照条件。结果从三个决策树不同光照条件显示显著差异的排名和重要性的因素被认为是在这项研究中,从而说明研究交通事故的必要性根据光照条件。通过分别考虑事故特征在不同的光线条件下,从这项研究中获得一些新发现。研究表明,增加车道数量的增加事故严重性级别在白天工作区域减少夜晚的严重性。同样,毒品和酒精发现增加事故的严重程度明显dark-not-lighted条件下,当他们在日光和dark-lighted条件下影响有限。

1。介绍

工作区域是一个重要的研究课题,因为他们有一个实质性影响一个国家的经济和交通流。统计数字显示,致命的崩溃的经济成本是在美国1398916年的2010美元(1]。在此基础上估计,工作区域的年度成本死亡人数每年超过七十亿美元。此外,考虑到26000年非致命的伤害事故和60000年property-damage-only (PDO)事故发生在工作区域,另外每年数十亿美元的经济损失发生。在这个时候,工作区域的数量正在增加。施工旺季期间,大约有20%的高速公路系统正在建设中,司机可能会遇到一个工作区域每100英里(2]。

减少不良交通对公众的影响,越来越多的工作区域需要夜间施工。广泛调查13个州的175个工作区域显示,58%的工作区域主要涉及日光建设,主要涉及夜间工作33%,剩下的9%是不分昼夜地(3]。这使得担忧晚上工作区域是否有影响交通安全。

先前的研究已经发现,晚上崩溃率高于白天崩溃率在工作区域4- - - - - -6]。Arditi et al。7下班)使用伊利诺斯州死亡事故区域调查安全晚上和白天施工之间的差异在1996 - 2011年期间,显示,夜间工作区域更危险。在一项研究中,每百万英里行车事故率更高的夜间工作区域的156%到67 (8]。崩溃率之间的差异日夜工作区域建议都应该检查分别在不同光照条件。虽然有一个共识,即晚上崩溃率有所提高,在晚上讨论改进事故严重性。

了解事故的风险因素是一个关键的创建安全的工作区域。与更多的夜间工作区域和日夜工作区域崩溃之间的明显差异,迫切需要调查工作区域崩溃在不同光照条件和小的研究对这个话题。

严重程度被认为是最重要的碰撞的结果,是本文的核心。本研究分析碰撞损伤严重程度在工作区域对其固有的伤亡,而不是频率。决策树方法是用来模拟交通事故的严重程度使用可用的危险因素。不像大多数以前的研究中,光条件视为一个单一的因素,本研究将光照条件分为三类:白天,dark-lighted, dark-not-lighted。三个决策树构建之间的关系揭示事故严重程度和不同因素在不同光照条件下的工作区域。

2。文献综述

2.1。光条件对事故的影响

光条件是影响交通事故的一个重要因素。先前的研究已经证实,不良光照条件可能会增加事故频率和严重程度(4- - - - - -6]。事实上,灰色等。4],Abdel-Aty [5),和黄等。6在黑暗中)所有报告损伤严重程度增加。潘德和Abdel-Aty9)得出的结论是,之间有显著相关性缺乏照明和事故严重程度高。de Ona et al。10,11)指出,致命事故与道路没有照明。Wanvik [12)发现,良好的道路照明可以减少交通事故的一半基于763000伤害事故和330万年的一项研究在挪威财产损失事故。一些研究(例如,13)发现,司机更不容易受伤在施工区域黑暗在日光条件下(有良好的照明)。此外,研究人员发现,事故预测模型可以揭示有关因素的详细信息(14- - - - - -16]。例如,Ullman et al。17]发现,有些因素是重要的在白天崩溃率模型(例如,低速度限制,进入坡道每车道每英里),而其他人则成为一个重要的夜间模式(例如,雪和卡车的百分比)。总之,光条件对交通事故有重要作用但没有做探索工作区域碰撞严重程度之间的关系及其原因。在这一领域需要更多的研究工作。

2.2。决策树方法

碰撞模型用于研究风险因素对事故的影响在工作区域。回归模型(如分对数和probit)广泛采用(18- - - - - -21]。在回归模型中,二进制或多个水平的严重程度通常设置为因变量和风险严重程度影响因素作为自变量。一个共同的假设对回归模型是没有依赖的危险因素之一。此外,回归模型需要假设一个特定的函数形式模型依赖和独立变量之间的关系。因此,利用回归模型是有限的,如果假设并不持有好(22]。

为了克服回归模型的局限性,利用数据挖掘分类模型方法已经应用到风险因素分析问题。通常,严重性级别设置为一个类变量和风险因素的特征变量(22- - - - - -26]。决策树分类器是一个分类模型,三种常用的决策树方法的分类和回归树(CART),迭代二分3 (ID3)算法(27),和C4.5算法28]。购物车方法(29日)使用一个基于基尼指数分割标准。昆兰的方法使用信息增益(IG)作为分离准则基于熵测量概率(30.]。随后昆兰(31日]给出了C4.5算法,这是一个高级版本的ID3分割标准,称为信息增益率(IGR),类似于一个用于惩罚变量与许多州的ID3过程。在这些方法中,购物车是使用最广泛的25,28,32- - - - - -36]。然而,值得注意的是,与传统的统计模型相比,车仍然有其局限性,如在解释简单和困难。然而,先前的研究已经证实,CART算法可以采用碰撞严重程度分析,并提供一个更精确的结果相对于其他预测模型(34]。

3所示。方法

从上面的讨论,许多建模方法被用来研究风险因素对事故的影响在工作区域。不同的建模方法有不同的优点和缺点。在这项研究中,决策树方法是选择和购物车算法生成一个决策树。购物车中的分裂的标准方法是基于基尼,代表一个因素的多样性和计算如下: 在哪里是目标的类别(受伤或PDO),目标的总数,是受伤或PDO的百分比。因为车是一个二叉树,我们的目标是两个总数。

基尼用来计算的多样性是一个开始节点,而Ginidex创建测量以下节点的异构性。对于每个节点,Ginidex计算如下: 在哪里因素如车道数和吗意味着严重程度的性格 。例如,可以伤害或PDO和可能代表车道数>或< 2。最后代表的比例 。

为了确定下一个分节点,最大的类别选择分集改善: 在哪里是更高的层和Ginidex的基尼指数的第二层。然后重复这个过程几次直到改进= 0或达到最高水平。因为大树可以导致更高比例的误分类(22),决策树与不同的层在这项研究。当构建决策树有两层,它提供了更少的信息。当构建基础课树,似乎许多节点在第四层包含少于1%的总崩溃。根据先前的研究28),如果一个节点包含少于1%的样本,结果是不可靠的。因此,选择三层作为决策树的最大深度。

决策树分析的主要优势之一是决策规则。决策规则逻辑结构像“如果,那么B”。虽然回归模型显示单一因素的影响,决策树可以显示效果由几个因素的结合。在这项研究中,决策规则时推断损伤率> 50%,PDO率> 80%和> 1%的人口节点。这是因为整体损伤率大约是20% - -30%,和受伤率50%以上是极端的。

以自信的结果,本研究中使用的数据分为两个子集:70%的数据用于训练模型,而剩下的30%则用于验证。精度可以计算如下: 在哪里是真阳性和假阴性。

此外,CART算法还可以计算每个因素的重要性Ginidex基于改善。重要性指数(IM)定义如下: 在哪里是一个变量,在Ginidex减少,是属于节点的观测数据集 , 节点的总数,是观察的总数。详细的计算方法和原则可以在蒙特拉et al。25),常和简35),j·s·李和e·s·李(37]。

4所示。数据

田纳西州的数据增强道路信息管理系统(E-TRIMS)是用于研究。事故发生在工作区域使用2003 - 2015年期间。有五个变量描述数据库中的光照条件包括日光,dark-lighted, dark-not-lighted,黄昏和黎明。固定的路灯的光照条件是基于这项研究。因为事故的数量在黄昏和黎明条件下相对较小(279年和215年,分别地),这些数据被排除在外。因此,总数19941事故进行了分析。类变量的研究是事故的严重性。损伤程度分析研究中包括的司机,乘客和行人。

在分析损伤危险因素时,需要包括尽可能多的伤害严重程度,因为不同的因素可能有不同的影响伤害的水平。然而,在19941年崩溃在这项研究中,使用致命的事故只占不到1%。严重车祸的数量不足够高的进行可靠的分析。因此,一些严重水平包括致命的,失能,轻微的伤害被组合到一个受伤的水平。类似于以前的研究(22)、两个级别的损伤程度是用于研究:损伤和property-damage-only (PDO)。PDO是指一个崩溃,没有人受伤,但只有车辆受损。图1显示了事故数据根据两个严重性级别和三个光照条件。

作为显示在图1光照条件恶化时,受伤率增加(24.3% < 25.4% < 33.5%)。可以看出,崩溃在有限的光线条件下更严重比dark-lighted条件下,从其他研究的结果是一致的4- - - - - -6]。为了研究影响因素的工作区域不同光照条件下崩溃,15个变量是识别并展示在表1。为了达到更简洁的结果,则反是分为两类根据先前的研究20.,38,39]。

变量描述特征相关的驱动程序(过错、毒品和酒精等)、汽车(体型)路(数量的车道,限速、地形和操作),和环境(天气条件、事故日期等)。SPSS 19用于构建决策树。

5。结果与讨论

5.1。决策树在不同的光照条件

图2和表2现在的结果在日光条件下决策树。第一个节点分裂的碰撞类型,证明正面碰撞预测损伤概率的两倍多,其他的无冲突类型(51.8%比23.5%)。这是一致的结果Kockelman和Kweon19]。

最低的受伤概率出现在节点8,损伤率为11.7%。这个节点代表了最有利的情况在白天工作区域崩溃,表明如果碰撞类型是non-head-on碰撞在一个十字路口,如果司机参与碰撞,会有11.7%的几率会是一个伤害和88.3%的机会一个PDO在平坦的地形。应该注意的是,如果地形不是平的,预测的受伤比例增加到22.1%。一个可能的原因可能是,平坦的地形提供良好的能见度,从而碰撞速度慢,有助于减少事故的严重程度。

三个决策规则推断从树上(见表3),两个受伤的规则。注意,这两个规则包含迎头相撞,这表明避免正面冲突是降低白天工作区域事故严重程度的关键。单独的交通措施采用硬障碍从两个方向可以是有益的。

图3和表3呈现出决策树dark-lighted条件下的结果。在前面所讨论的一样,碰撞类型的标准是基于节点0是分裂dark-lighted条件下(图3)。它显示了正面碰撞占更高比例的dark-lighted条件下发生的伤害事故。

然而,日光模型相比,车道数扮演着不同的角色在事故中严重的dark-lighted模型。在白天模式,增加车道数正面碰撞的伤害比例增加,而增加车道数减少dark-lighted模型中那么高的损伤比例。具体地说,事故发生在狭窄的道路(< = 2车道)预测正面碰撞损伤率100%,而预测损伤率降低到47.4%多车道的道路上。同时,狭窄的道路上的利率是33.3%,而在更广泛的道路是21.6% non-head-on碰撞。这种现象可能是由于司机的动作在不同光照条件下的变化。翁和孟40)报道,司机更有可能参与危险的驾驶动作在日光条件下多车道的道路上,而在晚上最危险的驾驶行为发生在狭窄的道路。

节点8给最低的预测损伤率为10.8%,表明最低严重性案例发生在non-head-on碰撞在多个车道(> 2)道路当天气条件不清楚dark-lighted条件下。

节点9和10节点比较,可以看出,在相同条件下的多车道的道路和正面碰撞,交通控制设备的使用大大降低了预测的受伤比例超过一半(33.8%和69.8%)。这表明交通控制设备是非常有助于降低正面碰撞严重程度dark-lighted条件下多车道的道路上。因此,强烈建议交通控制设备被安装在工作区域与多个车道下照明。

类似于日光模型,三个决策规则dark-lighted条件下获得的。然而,受伤率略高于dark-lighted条件的日光条件。车道数的事实起着重要的作用在工作区域崩溃dark-lighted条件下可能是由于降低了能见度(见规则的表3)。

图4和表4呈现出决策树dark-not-lighted条件下的结果。dark-not-lighted条件下,最黑暗的光线条件下,一些重大事故严重程度的变化。与日光和黑暗,点燃的决策树模型,第一个分区节点不是基于碰撞类型但速度限制。更高的速度限制(> 40英里/小时)导致更严重的事故相比,较低的速度限制(< = 40英里/小时)dark-not-lighted条件(37.9%比23%)。正如我们所知,dark-not-lighted条件特点是大幅减少能见度影响司机的能力感知障碍。高速度限制和有限的能见度,司机可能没有足够时间停止车辆。

毒品和酒精的因素显示了对事故严重性dark-not-lighted条件下产生重大影响。如果司机是影响下,预测损伤比例攀升到72.7%甚至低于限速40英里/小时。这个速度急剧减少到20.1%如果司机不影响下。这个验证研究结果从先前的研究,药物和酒精摄入量明显增加了严重受伤的可能性(41,42),进一步表明,毒品和酒精的影响显著高于dark-not-lighted条件下。一个可能的原因可能是司机应该更加注意在这种条件和影响下受损的司机可能不停止,变换车道,避免障碍,或者避免严重的崩溃。

毒品和酒精的影响下,十字路口的交通事故的受伤率翻倍相比,长期开放道路速度限制小于40英里/小时,表明路口dark-not-lighted条件下引入额外的风险。节点9显示了dark-not-lighted条件下的损伤率为6.5%,最低速度限制40英里/小时以上无交通控制设备。这是显著不同的结果常和简35),得出的结论是,交通控制设备可以提高交通安全。看似矛盾的结果的原因可能是由于这样的事实:交通控制设备通常出现在怨声载道地地点道路状况更为复杂。比较是不当的两个地方有不同的几何特性和交通模式。交通控制设备的效果只能验证通过之后,测试在未来的研究。

表4显示了从dark-not-lighted条件推断出决策规则。受伤的两个规则是规则,表明参与毒品和酒精,不到40英里/小时限速是常见的严重崩溃。强烈建议对酒后驾车罚款的影响在工作区域包括dark-not-lighted区显著增加。

5.2。比较变量的重要性

表5和图5排名和比较各种风险因素的重要性在不同的光照条件。日光的决策树模型,碰撞事故严重性的五大因素类型、位置、毒品和酒精,地形,城市或农村的位置。dark-lighted模型,五大因素是碰撞类型,数量的车道,交通控制设备,位置,和天气条件。从dark-not-lighted模型,五大因素是毒品和酒精,限速,天气条件,交通控制设备,和日期的崩溃。排名前五名的因素是不同的在三个光条件下,表明主要的影响因素发生显著的变化在不同光照条件下在工作区域。表5还表明,车辆的身体类型,位置(农村或城市)和路操作(单向或双向)没有显示在工作区域碰撞严重程度有着重要的影响。为了达到更安全的工作区域,安全指导方针应该建立根据不同的光照条件。

5.3。验证

表6介绍了结果的验证决策树。对于所有三个模型,预测正确的比例在60%以上。这个速度是高于报道在以前的研究中使用相同的方法(35]。这三个模型能够预测PDO崩溃的准确率在98%以上。另一方面,这些模型显示一个贫穷的预测能力伤害事故精度从3.1%到10.7%不等。这个速度预测损伤接近,在其他研究报告使用购物车决策方法(36]。原因可能在于数据集本身。有超过70%的崩溃PDO只有不到30%属于损伤。为了实现整个数据集的最小误差,模型或预测方法分类结果倾向于PDO的主要事故类型。

6。结论

在这项研究中,三个决策树生成使用购物车方法探讨因素在工作区域崩溃。光学的个人决策树模型使用工作区域事故详细信息来识别风险因素。识别这些因素然后建议缓解措施可能有助于建立更安全的工作区域。在这项研究中,以下是发现。(我)日光沿着道路模型表明,在发生正面碰撞,而不是十字路口,司机风险更高,达到59.7%,参与损伤崩溃。(2)dark-lighted模型表明,损伤的正面碰撞发生在一个狭窄的道路(< = 2车道)可能达到100%。(3)在dark-not-lighted条件下,结合限速小于40英里/小时和司机被毒品和酒精的影响下可能导致受伤率高达72.7%。

通过检查特定光照条件碰撞严重程度的影响,本研究揭示了一些新发现以前从来没有报道。研究表明,如果司机药物/酒精的影响下,他们有更大的机会被卷入严重的碰撞事故时通过一个工作区域没有路灯比工作区域和路灯。本研究表明,碰撞类型是最重要的风险因素在日光和dark-lighted条件下但不是dark-not-lighted条件下。另一方面,研究表明,交通控制设备不减少事故严重性dark-not-lighted条件下,然而,他们做dark-lighted条件下。这意味着交通控制设备应设计和使用不同的光照条件。此外,道路车道的数量显示相反的影响在日光和dark-not-lighted条件下碰撞严重程度。具体来说,在日光条件下,增加车道的数量可能会增加事故严重程度,而这可能有助于减少事故严重性dark-not-lighted条件下。

CART决策树方法被发现是有用的在揭示事故严重性的特点和交通事故的因素在工作区域。在未来的工作中,这些结果可能有助于减轻碰撞严重程度发展工作区域安全指导方针。此外,它将使用决策树方法的现实意义研究不同光照条件下司机的行为。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者要感谢建筑行业研究和政策中心(CIRPC)资助这个研究项目。第一作者还要感谢中国奖学金委员会(CSC)的金融支持。

引用

1. l . j . Blincoe t·r·米勒,e . Zaloshnja和b·a·劳伦斯“机动车事故的经济和社会影响,2010年,“报告没有。HS 812 013点美国国家公路交通安全管理局,清洗,2015。视图:谷歌学术搜索
2. k·Wunderlich和d . Hardesty2001年夏季工作区域活动的快照联邦高速公路管理局,美国交通部,洗,美国,2003。
3. j·e·布莱登带领一个d·j·梅斯,“一个过程评估和规划夜间公路建设和维护”475年砂浆材料报告、交通运输研究委员会,国家研究理事会,洗,美国,2002。视图:谷歌学术搜索
4. r·c·格雷·m·a·Quddus, a·埃文斯“伤害事故的严重性分析年轻男性司机在英国,”《安全研究,39卷,不。5,483 - 495年,2008页。视图:出版商的网站|谷歌学术搜索
5. m . Abdel-Aty”分析,司机受伤严重程度probit模型,在多个位置使用命令“《安全研究,34卷,不。5,597 - 603年,2003页。视图:出版商的网站|谷歌学术搜索
6. 黄h . h . c .下巴,和m . m . Haque”司机受伤的严重程度和车辆在十字路口的交通事故损害:贝叶斯分层分析,“事故分析和预防,40卷,不。1,45 - 2008页。视图:出版商的网站|谷歌学术搜索
7. d . Arditi m . a . Ayrancioglu和j .史”在夜间公路建设安全背心的有效性交通运输工程学报,卷130,不。6,725 - 732年,2004页。视图:出版商的网站|谷歌学术搜索
8. e·c·沙利文在夜间施工事故发生率,“报告没有。还有- - - - - - - rr - 89 - 11运输研究所,加州大学伯克利分校,伯克利,加州,美国,1989年5月。视图:谷歌学术搜索
9. a潘德和m . Abdel-Aty”市场购物篮分析事故数据从大型地区及其潜在作为决策支持工具,”安全科学卷,47号1,第154 - 145页,2009。视图:出版商的网站|谷歌学术搜索
10. j . de Ona r . o . Mujalli f·j·卡尔沃,”西班牙农村公路交通事故损伤分析使用贝叶斯网络,”事故分析和预防,43卷,第411 - 402页,2011年。视图:谷歌学术搜索
11. j . de Ona g·洛佩兹,j . Abellan”从警方事故报告中提取决策规则,通过决策树”事故分析和预防,50卷,第1160 - 1151页,2013年。视图:谷歌学术搜索
12. p . o . Wanvik“道路照明的影响:基于荷兰事故统计分析1987 - 2006年”事故分析和预防第41卷。。1,第128 - 123页,2009。视图:出版商的网站|谷歌学术搜索
13. j .孟翁,问:“司机伤亡风险的分析不同的工作区域类型,“事故分析和预防,43卷,不。5,1811 - 1817年,2011页。视图:出版商的网站|谷歌学术搜索
14. j . d .记录、e . t . Donnell和m . s .意图,“照亮还是不照射:十字路口的道路照明,因为它影响交通安全,”事故分析和预防,53卷,不。1,第77 - 65页,2013。视图:出版商的网站|谷歌学术搜索
15. 自r Dinu和a . Veeraragavan随机参数模型对双车道的高速公路事故预测在印度,”《安全研究,42卷,不。1,39-42,2011页。视图:出版商的网站|谷歌学术搜索
16. e . t . Donnell, r·j·波特和v . n . Shankar”框架估计十字路口的道路照明的安全影响,”安全科学,48卷,不。10日,1436 - 1444年,2010页。视图:出版商的网站|谷歌学术搜索
17. g . l . Ullman m·d·芬利j·e·布莱登带领一个r . Srinivasan和f . m .理事会”交通安全评价的夜间和白天的工作区域,”627年砂浆材料报告美国交通运输研究委员会,洗2008。视图:出版商的网站|谷歌学术搜索
18. a·s·阿尔哈姆迪”使用逻辑回归来估计事故因素对事故严重程度的影响,“事故分析和预防,34卷,不。6,729 - 741年,2002页。视图:出版商的网站|谷歌学术搜索
19. k . m . Kockelman Y.-J。Kweon,”司机受伤严重程度:probit模型,应用程序的命令”事故分析和预防,34卷,不。3、313 - 321年,2002页。视图:出版商的网站|谷歌学术搜索
20. n . n . Sze和s . c . Wong“物流模型的诊断分析行人受伤严重的交通事故,”事故分析和预防,39卷,不。6,1267 - 1278年,2007页。视图:出版商的网站|谷歌学术搜索
21. c, d . b .克拉克,x, a . Khattak和黄,“多元随机参数zero-inflated负二项回归模型:一个应用程序来估算碰撞频率在十字路口,“事故分析和预防卷,70年,第329 - 320页,2014年。视图:谷歌学术搜索
22. L.-Y。Chang和H.-W。王”,分析交通伤害的严重程度:一个应用程序的非参数分类树技术,”事故分析和预防,38卷,不。5,1019 - 1027年,2006页。视图:出版商的网站|谷歌学术搜索
23. t . Beshah和美国山”,挖掘道路交通事故数据来提高安全:角色road-related因素对事故的严重程度在埃塞俄比亚,”AAAIArtificial情报学报》发展(AI-D 10),22 - 24,2010页。视图:谷歌学术搜索
24. a·t·沙尼和a . s . Mohaymany”分析双车道,交通伤害严重程度的双向农村公路基于分类树模型,”安全科学卷,49号10日,1314 - 1320年,2011页。视图:出版商的网站|谷歌学术搜索
25. 蒙特拉,m .咏叹调,a . D 'Ambrosio f . Mauriello,“数据挖掘技术的探索性分析行人崩溃,”交通研究记录,卷2237,不。1,第116 - 107页,2011。视图:出版商的网站|谷歌学术搜索
26. 蒙特拉,m .咏叹调,a . D 'Ambrosio和f . Mauriello”分析电动摩托的崩溃在意大利的分类树和规则发现,“事故分析和预防卷,49 58 - 72、2012页。视图:出版商的网站|谷歌学术搜索
27. j·r·昆兰“决策树归纳”,机器学习,1卷,不。1,第106 - 81页,1986。视图:出版商的网站|谷歌学术搜索
28. j . Abellan g·洛佩兹,j . de Ona”分析交通事故严重性使用通过决策树决策规则,”专家系统与应用程序,40卷,不。15日,第6054 - 6047页,2013年。视图:出版商的网站|谷歌学术搜索
29. l . Breiman j·弗里德曼,r . Olshen和c .石头,分类和回归树美国加州,查普曼和大厅,贝尔蒙特,1984。
30. c·e·香农”通信的数学理论,贝尔系统技术杂志,27卷,不。4、623 - 656年,1948页。视图:出版商的网站|谷歌学术搜索
31. j·r·昆兰C4.5:机器学习项目加州圣马特奥,摩根Kaufmann出版商,美国,1993年。
32. p . m . Kuhnert K.-A。,r·麦克卢尔”,结合非参数模型和逻辑回归:申请机动车伤害数据,”计算统计和数据分析,34卷,不。3、371 - 386年,2000页。视图:出版商的网站|谷歌学术搜索
33. a . Pakgohar r s Tabrizi m·哈利利的a . Esmaeili,“人的因素的作用在道路交通事故的发生率和严重程度根据购物车和LR回归:数据挖掘的方法,”Procedia计算机科学,3卷,第769 - 764页,2010年。视图:出版商的网站|谷歌学术搜索
34. o . h . Kwon和y Yoon w·李”的应用分类算法分析道路安全风险因素的依赖关系,“事故分析和预防卷,75年,页1 - 15,2015。视图:出版商的网站|谷歌学术搜索
35. l . Chang和j·简”分析truck-involved司机受伤严重的事故使用非参数分类树模型,”安全科学,51卷,不。1,17-22,2013页。视图:出版商的网站|谷歌学术搜索
36. A·t·沙尼A Shariat-Mohaymany, A . Ranjbari“数据挖掘的方法来识别交通伤害严重程度的关键因素,”Promet -交通运输,23卷,不。1,17岁,2011页。视图:谷歌学术搜索
37. j·s·李和e·s·李”,探索有效的决策树预测人们的位置,”Procedia——社会和行为科学卷,140年,第451 - 447页,2014年。视图:出版商的网站|谷歌学术搜索
38. r·泰“城乡交叉的随机参数概率单位模型崩溃,”事故分析和预防卷。84年,38-40,2015页。视图:出版商的网站|谷歌学术搜索
39. d . m . Cerwick k . Gkritza m . s .笔,和z汉斯,“比较组合logit和潜在事故严重性分析类方法,”在事故的研究分析方法,3 - 4卷,11-27,2014页。视图:出版商的网站|谷歌学术搜索
40. j·翁和孟问:”,环境的影响,车辆和司机特征风险驾驶行为在工作区域,”安全科学,50卷,不。4、1034 - 1042年,2012页。视图:出版商的网站|谷歌学术搜索
41. L.-H s p·贝克,e . r .勇敢。陈,李·g·a·威廉姆斯,“喝历史的致命的受伤的司机,”伤害预防,8卷,不。3、221 - 226年,2002页。视图:出版商的网站|谷歌学术搜索
42. b, e·斯明克b .鲁伊特k . j . Lusthof j . j . De层面d·r·a·乌盖斯和a·c·g .埃格伯特“吸毒和交通事故的严重程度,”事故分析和预防,37卷,不。3、427 - 433年,2005页。视图:出版商的网站|谷歌学术搜索

版权

版权©2017鑫鑫魏et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。