Predicting crash risk and identifying crash precursors on Korean expressways using loop detector data

به منظور بهبود ایمنی ترافیک در بزرگراه ها، مهم است که توسعه استراتژی های مدیریت ایمنی فعال با در نظر گرفتن انواع بخش ها و جریان های ترافیکی، زیرا مکانیزم های سقوط بر اساس هر شرایطی، اختلاف نظر دارند. هدف اصلی این مطالعه، توسعه مدل های پیش بینی ریسک تصادف در زمان واقعی برای انواع مختلف بخش و وضعیت جریان ترافیک در بزرگراه ها است. خط اصلی بزرگراه ها به مجاورت پایه و رمپ تقسیم می شود و حالت های جریان ترافیک به شرایط نامنظم و بارگذاری شده تقسیم می شوند. همچنین، بزرگراه کره ای دارای فاصله های نامنظم بین ایستگاه های آشکارساز حلقه است. بنابراین، ما در مورد تاثیر و کاربرد ایستگاه های آشکارساز در فواصل نامنظم برای پیش بینی ریسک تصادف در بزرگراه ها مورد بررسی قرار گرفتیم. مهمترین متغیرهای ترافیکی با استفاده از تجزیه و تحلیل رگرسیون لجستیک شرطی انتخاب شدند که می توانست عوامل موثر را کنترل کند. بر اساس متغیرهای ترافیک انتخاب شده، مدل های جداگانه برای پیش بینی ریسک سقوط با استفاده از تکنیک های برنامه نویسی ژنتیک طراحی شده است. نتایج برآورد مدل نشان داد که ویژگی های جریان ترافیکی ناشی از تصادف با نوع بخش و وضعیت جریان ترافیک متفاوت است. به خصوص، متغیرهایی که مربوط به فاصله بین ایستگاه های آشکارساز بودند، تأثیر قابل توجهی بر پیش بینی ریسک تصادفات تحت شرایط نامناسب داشتند. در نهایت، در مقایسه با مدل واحد برای همه سقوط ها و مدل های لجستیک که در مطالعات قبلی استفاده می شود، مدل های پیشنهادی عملکرد پیش بینی بالاتر را نشان می دهند. نتایج این مطالعه می تواند برای توسعه راهبردهای مدیریت ایمنی پیشگیرانه برای انواع مختلف بخش ها و حالت های جریان ترافیک در ایستگاه های تشخیص حلقه در فواصل نامنظم استفاده شود.