פיתוח מודלים חיזויים לתאונות דרכים

למה מודלים חיזויים של בטיחות דרכים

תאונות דרכים נותרו אחד הגורמים המובילים למוות בלתי נמנע ברחבי העולם, בטענה כי מעל 1.3 מיליון חיים מדי שנה על פי ארגון הבריאות העולמי, בעוד מאמצי בטיחות מסורתיים להתמקד בתגובה לתאונות לאחר התרחשותם, גישה פרואקטיבית באמצעות מודלים חיזוי יכול להפוך את האופן שבו ערים וסוכנויות תחבורה להקצות משאבים.על ידי חיזוי איפה וכאשר תאונות הן סבירות ביותר להתרחש, הרשויות יכולות ליישם אמצעי מניעה לפני התרחשות אירועים, חיסכון פוטנציאלי של אלפי שינויים כלכליים וחיזוי של שיטות ניהוליות, אשר הפכו להפסדים הכרחיות, אשר יהיו הכרחיות, אשר יהיו ככל הנראה, כי הם בעלי סיכויים, כי הם גורמים קריטיים, אשר יהיו ככל הנראה, כי הם גורמים קריטיים, כי הם עלולים, כי הם עלולים, כי הם עלולים, כי הם עלולים, כי הם עלולים, כי הם עלולים, כי הם עלולים, כי הם צפויים להתרחש, כי הם עלולים, כי הם עלולים, על ידי תחזיות על ידי תחזיות, על ידי תחזיות, כי הם צפויים להתרחש, כי הם עלולים, כי הם צפויים להתרחש, לאחר תאונות דרכים ניהול דרכים ניהוליים, כי הם עלולים להתרחש, לאחר תאונות דרכים קריטיים להתרחש, לאחר תאונות דרכים קריטיים להתרחש, לאחר תאונות דרכים קריטיים, כי הם ככל הנראה, כי הם ככל

הרעיון המרכזי הוא פשוט מטעה: לטפל בתאונה כאירוע מרחבי-זמני שסבירותו ניתן להעריך מהנתונים ההיסטוריים, התנאים הסביבתיים ומאפיינים של תשתיות. בפועל, בניית מודלים אלה דורש שילוב זהה של זרמי נתונים מרובים, אלגוריתמי למידת מכונה מתוחכמת, ואימות קפדני. מאמר זה הולך דרך התהליך כולו, ממקורות נתונים ומניעה לחיקוי מודלים, פריסה, ומגמות מתפתחות, בין אם אתה מתכנן דרכים חיוניות, או הבנה בטוחה יותר, הוא, כלומר, כלומר, יצירת נתונים, הוא תכנון בטוח יותר, או תכנון עירוני, הוא תכנון בטוח יותר, או הבנה, הוא תכנון בטוח יותר, הוא תכנון, או תכנון נתונים, הוא תכנון בטוח יותר, הוא תכנון, הוא תכנון בטוח יותר, הוא תכנון בטוח יותר, ממעבד, מהנתונים, ממעבד, מהנתונים, ממעבד, מהנתונים, ממודלים, מהנתונים, מהנתונים, מגורם, מהנתונים, מהנתונים, מגורם, מהנתונים, מהנתונים, מהנתונים, מהנתונים, ממעבדים, מראש, מהנתונים, מראש, מראש, מראש, מהנתונים, מהנתונים, מראש, מהנתונים, מהנתונים, מראש, מהנתונים, מראש, מראש, מראש, מהנתונים, מראש, מראש, מראש, מראש, ממודלים לבחירה מודל פיתוח

תוצאות חיפוש עבור תאונות Hotspots

מודלים חיזויים לתאונות דרכים נופלות לשתי קטגוריות רחבות: מודלים סטטיסטיים ומודלים של למידת מכונה. גישות סטטיסטיות כמו פאססון, רגרסיה בינארית שלילית, ומודלים היררכיים Bayesian שימשו כבר עשרות שנים בבטיחות תחבורה.הם מציעים תוקפנות ותבניות אבטחה עמוקות יותר, אך לעתים קרובות נאבקים עם אינטראקציות מורכבות שאינן לינאריות בנתונים אמיתיים.

לא משנה האלגוריתם, כל המודלים החיזוייים חולקים צינור משותף: הם משנים נתוני קלט גולמי לתוך קבוצה של תכונות (מנהלים) המתאם עם סיכון לתאונה, לומדים את המיפוי בין תכונות להתרחשות מקריות היסטוריות, ולאחר מכן פלטו ציוני סיכון לתקופות זמן בלתי מובנים או מיקומים. נקודות חמות מוגדרים בדרך כלל כאזורים גיאוגרפיים (מפרקים, תאים ברשת) שבו ההסתברות או תדירות של חיזוי נתונים מוגדרים על פני איכות גבוהה יותר.

מקורות נתונים מרכזיים לתאונות דרכים

נתונים נרחבים ואיכותיים הם הבסיס של כל מודל חיזוי יעיל.הבאים הם מקורות הנתונים הקריטיים ביותר המשמשים בפועל:

תאונות היסטוריות

דוחות משטרה, יומני קבלה לבית החולים ותביעות הביטוח מהווים את המקור העיקרי של תוויות תאונות.רשומות אלה כוללות בדרך כלל את הזמן, מיקום (קיצור / געגוע או צמת רחוב), חומרת, מספר כלי רכב המעורבים, מזג אוויר ותנאי תאורה במועד, ותורמים גורמים כגון מהירות או אלכוהול. בארצות הברית, FLT:0 לאומי נראה בטיחות תנועה (NHTSA) LT) דוח קבוע עבור נתונים אלה, לעתים קרובות, אך ורק ניתוח אזורי (CR) ו-אף פעם לא יכול לעיתים קרובות, אך לעתים קרובות, אך ורק לאחר מכן, אך ורק נתונים רשמיים (CR) ו-אף פעם לא ניתן לפרסם את הנתונים הרשמי (CR) נתונים של הסוכנות (CR) נתונים של הסוכנות (CR) נתונים של הסוכנות (CR) נתונים נתונים נתונים נתונים של רשויות ניתוח נתונים נתונים נתונים של נתונים של נתונים של נתונים של נתונים של נתונים נתונים נתונים נתונים של הסוכנות (CR) ו-אך הם לעתים קרובות).

נפח תנועה ו Flow Data

חשיפה היא צופה קריטי: יותר כלי רכב על פי פלח הכביש מגבירים את ההסתברות של התנגשות.נתוני נפח תעבורה מגיע מגלאי גללאות אינדוקטיביים, חיישנים מכ"ם, מצלמות, ו- Bluetooth/Wi-Fi MAC מעקב אחר עסקאות כמו ה-FLT:0Federal Highway Administration (FHWA) צומת:1 מספק נתונים סטטיסטיים באמצעות מערכת המעקב של ביצועים (HP) עבור חיזוי אמיתי או חיזוי מהיר של מנועי אבטחה, ופתרונות מהירים יותר של מנועי אבטחה מהירים ו-API (FHWA) ב-PS) ו-PS (FV) ומציעים מהירים יותר מ-ATIOS) הולכי רגלים) הולכים מספקים נתונים ספציפיים יותר מ-PSIOS-PS (FLT:1 מספקים נתונים הקשורים ל-PSIOS) הערכות מהירות אבטחה מהירים ו-Time) הולכי רגל).

מזג אוויר ותנאים סביבתיים

גשם, שלג, ערפל, קרח ורוח גבוהה משפיעים באופן דרמטי על הסיכון לתאונה.נתוני מזג אוויר היסטוריים ניתן להשיג מ-FLT:0 (National Oceanic and Aאטמוספירה Administration) ותחנות מזג אוויר מקומיות.עבור יישומים בזמן אמת, ממשקי API מטאוריים (למשל, OpenWeatherMap, Weatherstack) מספקים תנאים נוכחיים. Aggating מזג אוויר למשתנים מזג אוויריים של מזג אוויר חם יותר מאשר אזורי זמן (שעון), או מזג אוויר סוער), אזורי זמן קצרים אחרים (טווחים) הם מצבי תאורה חמים (טווחים של מזג אוויר סוער, מעבר לטווח בינוני, אזורי זמן) או אזורי זמן קצר יותר, אזורי זמן (טווח זמן) של מזג אוויר סוער, אזורי זמן) של מזג אוויר סוער, אזורי זמן (טווח יומי, אזורי זמן) של מצבי תאורה חמים (טווח קבוע (אזורי) של מצבי תאורה חמים (טווח יומי), או אזורי זמן קצר יותר, אזורי זמן קצר יותר, מעבר לטווח ארוך יותר, אזורי זמן (טווח יומי, אזורי זמן קצר יותר, אזורי זמן קצר יותר, אזורי זמן קצר יותר, אזורי זמן קצר יותר, אזורי זמן) של מזג אוויר רטוב, מעבר למקרי תאורה חמים (טווח יומי), או אזורי זמן קצר יותר, אזורי זמן קצר יותר, אזורי זמן קצר יותר, אזורי זמן

תשתיות דרכים וגיאומטריה

מאפיינים של הכביש עצמו השפעה רבה על הסתברות לתאונה.משתנים מרכזיים כוללים מספר נתיבים, רוחב נתיב, סוג של פס, נוכחות החציונית, הגבלת מהירות, ריפוי (horizontal ו אנכי), צפיפות צומת, אמצעי בקרה התנועה (סימנים, אותות תנועה, עגולים), ורמת המדרכה. רבים מהתכונות האלה ניתן להפיק ממערכות מידע גיאוגרפיות (GIS) נשמר על ידי מחלקת התחבורה (DS) לעתים קרובות מספק דיוק מקומי של מרכז פתוח (GIS).

התנהגות הנהג וטלמטי

עם הפצת סמארטפונים וביטוח טלמטיות מכשירים, נתונים על התנהגות של נהג אישי - מהירות, האצה קשה, מהירות, פינות - הפך זמין. Aggregated התנהגות מסולקת (למשל, מהירות ממוצעת, אחוז של מהירות הזמן) בפסגת כביש או אזור יכול להיות מנבאים בעיות פרטיות ומגבלות גישה נתונים מגבילים את השימוש של מידע מזוהה אישית, אך מזוהההההההההההההה או ממערכות אבטחה נגישות יותר ויותר.

קידוד ספארי ודמוגרפי

הסביבה הבנויה ומאפיינים של האוכלוסייה משפיעים גם על הסיכון לתאונה (מלבד, מסחרי, תעשייתי), קרבה לבתי ספר, בתי חולים, מרכזי קניות, ותחנות תחבורה ציבורית משפיעות על דפוסי תנועה וחשיפה להולכי רגל. Socio-כלכלית כמו צפיפות אוכלוסייה, הכנסה בינונית, וחלוקת גיל מתאמת עם התנהגות נהיגה ותחזוקה. Census נתונים ומפות שימוש קרקעיות לספק מידע זה, בנוסף, זמני כמו למשל, כגון ימי חופשה, שעות ביממה, לכידת, שעות ביממה, שעות ביממה, דפוסי לוח זמנים של מחזוריות, ותחזוקת רכב.

פיתוח מודל חיזוי: שלב-בי-צעד

בניית מודל תאונת דרכים חם בעקבות תהליך שיטתי.כל צעד דורש שיפוט קפדני ומומחיות דומיין.

1. איסוף נתונים ואינטגרציה

האתגר הראשון הוא להביא יחד מקורות נתונים נפרדים.רשומות תאונות שוכנות לעתים קרובות במאגרים של המשטרה עם schemas שונים; נתוני נפח התנועה עשויים לבוא ממגוון סוגי חיישן; נתונים מזג האוויר מאוחסנים בדרך כלל במאגרי נתונים של זמן. מחסן נתונים מאוחדים או אגם נתונים אשר פוגע בפעמים של קידוד VG, לתאם מערכות התייחסות (GIS Projection), ותכונות הוא חיוני לדוגמה, התאמת תאונות דרכים כגון תצפיות של GIS) עשוי להיות מסוגלות לשילוב של מערכות הפעלה ישירות של מערכות הפעלה (GDIS).

ניקוי נתונים וקידום

נתונים אמיתיים הם נושאים מבולגנים. Common כוללים ערכים חסרים (למשל, מצב מזג אוויר לא ידוע), רשומות כפולות, קואורדינטים לא נכונים, ו- Outliers (למשל, ערכי מהירות בלתי ניתנים לערעור) נתונים חסרים דורש שיפוט: לדוגמה, אם מזג האוויר חסר, ניתן להכניס בדיקות מיקום מהמופע הקרוב ביותר או ממוצע קלמטי.

3.הנדסה

נתונים גולמיים לעתים רחוקות מספק תכונות שימושיות ישירות.טרנספורמציה היא צורך להוציא אותות חיזוי.תכונות מונדסות נפוצות כוללות:

(ב) ויקרא י"א: ויקרא י"ד: ויקרא י"ד, יום שבוע, חודש, עונה, אינדיקטור חג, דגל שעות-מהר.
(FLT:0) תכונותpatial:FLT:1 מרחק לצומת הקרוב ביותר, סוג צומת, ריפוי כביש (באמצעות שינויים מ GIS), מספר נתיבים, הגבלת מהירות.
(ב) ,0) ,Weather מצטבר: 1FLT:1 ממוצעי משקעים, טמפרטורה, חשיפה ב-1, 3 ו -24 שעות.
(FLT:0) תכונות אנטומיות: מהירות ממוצעת של 1FLT (יחסי להגדרה) מגבלת מהירות), יחס של נפח לקיבולת, מדד גודש, וריאציות במהירות בין חלונות זמן רצופים.
צפיפות תאונה:0 (FLT:1 ⁇ ⁇ ) של תאונות קודמות בתוך רדיוס 500 מטר או לאורך אותו קטע כביש כדי ללכוד אזורים חמים כרוניים.
(ב) ,0) תנאי גומלין: (ב) 1 (ב) , למשל, תוצר של גשם וקטעי התעלות, או שילוב של חושך ונפח הולכי רגל.

הנדסה תכונה היא לעתים קרובות החלק המכריע ביותר של פיתוח.ידע דומיין ממהנדסי בטיחות התנועה יכול להצביע על אילו אינטראקציות משנה.אוטומטיות שיטות בחירה תכונה (למשל, חשיבות כוללת מודלים המבוססים על עץ, חיסול תכונה מחדש) ואז לצמצם את הגדרת המועמד.

4.מודל בחירה ואימון

לא אלגוריתם יחיד שולט בכל התרחישים.הבחירה תלויה בגודל של נתונים, מודלים של הפרשות, משאבים חישוביים, והצורך בהפרעה בזמן אמת - נקודת התחלה טיפוסית הוא FLT:0XGBOstphirFLT 1 או ;2 LightGBMFLT 3 - , תצפיות חד-משמעיות שמטפלים בנתוני תערובת, חסרים, ולא מובנים, כמו תצפיות עצביות (NCR) באופן טבעי, לדוגמה, תצפיות).

5. אימות והערכה

(הופנה מהדף ⁇ ) ⁇ (ה) אין משמעות לנתוני חוסר איזון גבוהים במיוחד, הערכה משתמשת במדדים המתאימים לחיזוי נדיר-אפילוט: 001:0area under the Acceptr Operating Characteristic Curve (AUC-ROC)FLT:1, FLT:2 Precision-Recallout (PR) AUCFalrated 3,LT5F1square-FIRST (FIND)

(FLT:0) פיצול צ'טרונולוגי: 1 רכבת בשנים 2015–2019, מבחן ב-2020
(ב) ,0) ,5 ,5 ,5 , , , , , ; .
(ב) חלון ה-FLT:0) ,51 רכבות על חלון של שלוש שנים ומבחן בשנה הבאה.

6.התחישוב והמשך

לאחר אימות, המודל הוא פרוס שירות ניקוד כי ingests נתונים נוכחיים (למשל, בזמן אמת הזנת מזג אוויר, מהירות תנועה חיה) ופלטי סיכון עבור כל פלח כביש או צמתים.ציונים אלה יכולים להיות ויזואליים על מפה אינטראקטיבית עבור מנהלי מיקום סחף (תערות אוטומטיות) יכול להודיע כאשר הסיכון של פלח גבוה יותר מסף דינמי.

יישומים והטבות בפרקטיקה

מודלים חיזוייים עברו מעבר למחקר בפריסה מבצעית בערים רבות.

(ב) אכיפה:0 (המשרדים של משטרת ניו יורק) משתמשים במפות חלל כדי לקבוע סיורים ולהקים מצלמות מהירות.לדוגמה, העיר של FLT:2Los AngelesFLT:3) תרמה מודל צפוי שהפחית את ההתנגשויות הקטלניות ב-20% באזורי סיכון גבוהים יותר מ -20 שנה.
(FLT:0) שיפורים מבניים: FLT:1 מחלקות תחבורה עדיפות לשיפורי הכביש - כגון הוספת נתיבי תפנית, שיפור חותמות, או התקנת סביבות עגולות - בהתבסס על סיכון צפוי, קביעת תקציבים מוגבלים.
(FLT:0) סימני אזהרה: FLT:1) סימני הודעה משתנים (VMS) להציג "אזור סיכון גבוה לתאונה קדימה" בשעות מזג אוויר או שיא שלילי, תוך מינוף של תפוקה של מודל בזמן אמת.
(FLT:0) בטיחות כלי רכב אוטונומית: FLT:1 , מפתחי רכב אוטונומיים עצמיים משתמשים במודלים אלה כדי להתאים את המהירות באופן מכריע ולהגיע לערים מסוכנים מבחינה היסטורית.
תכנון:0 (Urban design: FLT:1 City Planners להעריך את ההשפעה הבטיחותית של התפתחויות חדשות או עיצובי דרכים לפני הבנייה מתחילה, באמצעות סימולציות מודלים מבוסס תרחיש.

ההחזר הכלכלי הוא משמעותי: המינהל המהיר של FLT:0 (Federal HighwayeurFLT) 1 מעריך כי כל דולר שהושקע על שיפור בטיחות ממוקד מניב בין 4 ל-20 דולר בחיסכון מתאונות מופחתות.

אתגרים ומגבלות

למרות ההבטחה שלהם, מודלים של נפילה של צומת חם עומדים בפני אתגרים משמעותיים.

איכות נתונים וזמינות

אזורים רבים חסרים מסדי נתונים של תאונות אמינות.דיווח, שגיאות קידוד, וחוקי הפרטיות הגאוקויים הבלתי עקביים של המודל דיוק.נתוני נפח התנועה הם לעתים קרובות ספוי, במיוחד על כבישים נמוכים יותר (GDPR, חוקי הפרטיות הביומטריים ברמה המדינה) מגבילים גישה לנתונים במיקום מוצפנים קנס ממכשירים ניידים.

הפרעות למידה ואירועים נדירים

תאונות הן נדירות יחסית למספר שעות של מבחן הכביש.לדוגמה, צמת עירונית טיפוסית עשויה לראות התרסקות אחת לכמה מיליוני קילומטרים של כלי רכב.מודלים שהוכשרו על נתונים כה מזוהים לעתים קרובות אפס או בעלי סיכוי נמוך מאוד בכל מקום, שלא להבחין בין ⁇ סיכון. עלות-רגישות-תועלת וסיוע oversampling סינתטי אבל יכול להציג חפצים.

סודיות ופיתוי לא-Stationarity

היחסים בין צופים וסיכון לתאונה אינם קבועים בחלל או בזמן.מודל המאומנים על נתונים מעיר אחת עשוי לא להכללת אחר. בתוך עיר, גורמים כגון הגבלת מהירות או ירידה על פני השטח מתפתח.

חוסר יכולת והוגנות

בעלי עניין – כולל הציבור, הפוליטיקאים והאכיפה החוקית – צריכים להבין מדוע פלח כביש מסוים מתקפל.מודלים של למידה עמוקה בקופסא השחורה חסרים שקיפות.טכניקות כמו SHAP (הסברים המוסמכים של ה-LIME יכולים לספק הסברים להגדרה, אך הם מוסיפים מורכבות.בנוסף, מודלים חייבים להיות נבדקים עבור הטיה: אם יש להכשיר נתונים מעל לתאונות בשכונות מסוימות (למשל, הוגנות) ומניעה, יכולות להיות מכוונות לא פרופוכותרות, הן יכולות להיות מכוונות למניעות מטרה לא פרופוכותרות).

כיוונים עתידיים ומגמות מתפתחות

התחום מתפתח במהירות.כמה התפתחויות חדשניות צפויות לשיפור הדיוק הנבאי והערך התפעולי.

זמן רב-הזמן הרב-מקור נתונים Fusion

עם התרחבות של טכנולוגיית רכב מחוברת (V2X), נתונים בזמן אמת על תנועות רכב בודדים, קשה מתפתל, ואירועים ליד-miss יהפכו זמינים. integraing אלה עם מודלים היסטוריים יכולים לספק זיהוי חלל חם מיידי. Edge מחשוב על יחידות צד הכביש יכול להפעיל מודלים קלים כדי לעורר אמצעי נגד מיידי - למשל, הבזק אורות אזהרה.

תאומים וסימולציות

שימוש גדל בתאומים דיגיטליים - העתקים וירטואליים של רשתות דרכים פיזיות - מאפשר סימולציה מתמשכת של תרחישים תנועה ובטיחות.מודל חיזוי מוטבע בתאום דיגיטלי יכול להעריך את ההשפעה הבטיחותית של שינויים תשתית (למשל, הסרת נתיב) לפני כל עבודה פיזית, חיסכון בעלויות וזמן.

Reinforcement Learning for Dynamic Resource Allocation

במקום רק לחזות נקודות חמות, סוכני למידה חיזוק יכולים לייעל היכן לשלוח סיורים, לפרוס מצלמות מהירות זמניות, או להתאים את תזמון אותות התנועה כדי להפחית את הסיכון. סוכן ה-RL לומד מדיניות שמאזנת את גילוי הזמנים בסיכון גבוה עם מגבלות משאבים. ניסויים מוקדמים מראים ירידה במקריות של עד 15%.

תחזיות סודיות ותעמולה נגדית

מעבר לקורא, מודלים סיבתיים יכולים לענות על שאלות "מה אם": כמה סיכון יקטן אם אור תנועה חדש הותקן?שימוש בשיטות כמו למידה מכונה כפולה ויערות סיבתיות, מודלים אלה מפרידים בין תקשורים מעוררי השראה מאפקטים סיבתיים, המאפשרים ניתוח טוב יותר של עלות טובה יותר של התערבויות.

להתחיל עם Directus עבור ניהול נתונים

עבור ארגונים בונים מודלים חיזוייים, ניהול מקורות נתונים מגוונים הוא מכשול מרכזי. Directus, כמו קוד פתוח ללא ראש CMS ופלטפורמת נתונים, מפשט את זה על ידי מתן ממשק מאוחד להתחבר, מבנה, לשרת נתונים ממאגרי מידע מרובים.You יכול מודל תחנות מזג אוויר, פלחי כביש, תיעוד תאונות, וחיישנים התנועה כטבלאות נפרדות עם קישורים יחסיים, ולאחר מכן לחשוף אותם באמצעות ממשק לוחמת לוחמת על מודלים ייחודיים עבור מודלים אופטיים של מודלים ישירים של מודלים אלה יכולים להיות ממוקדים של יישומים ישירות של מודלים אופטיים של מודלים מתקדמים של מודלים אופטיים של מודלים אופטיים של מודלים.

מודלים חיזויים לתאונות דרכים הם לא כדור כסף, אבל הם מייצגים שינוי חזק לקראת בטיחות כביש פרואקטיבית.על ידי שילוב של הנדסה נתונים חזקה, למידה מכונה מתוחכמת, פריסה מתחשבת, ערים יכולות להפחית באופן משמעותי את ההתנגשויות, פציעות, והרוגים. כמו איכות נתונים משתפרת וטכנולוגיות חדשות בוגר, מודלים אלה יהפכו אפילו יותר מדויקים ופעולהיים.