Wpływ natężenia ruchu drogowego na prawdopodobieństwo zaistnienia zdarzeń drogowych

• Autorzy: Król A.

Warianty tytułu

EN

The impact of the road traffic volume on the likelihood of the road accidents occurrence

• Języki publikacji: PL

Abstrakty

PL

Zdarzenia drogowe są rzadkimi zdarzeniami losowymi, a ich zaistnienie zleży od wielu okoliczności, przy czym spora część tych relacji jest niejednoznacznie określona. Jednym z istotniejszych czynników wpływających na prawdopodobieństwo wystąpienia zdarzenia drogowego i jego skutki wydaje się być natężenie ruchu drogowego. Wiarygodna analiza tej zależności wymaga oparcia się na rzetelnych danych: w pracy wykorzystano dane o natężeniu ruchu zarejestrowane przez system wideodetekcji oraz informacje o zdarzeniach drogowych z policyjnej bazy danych SEWIK. Dane te pozwoliły na budowę modelu zdarzenia drogowego w postaci sieci Bayesa. Analiza tego modelu umożliwia ilościowy opis istotnych relacji pomiędzy obiektywnymi okolicznościami a prawdopodobieństwem zaistnienia zdarzeń drogowych i ich skutkami. Opisany model może być punktem wyjścia do budowy systemu umożliwiającego podjęcie właściwych działań prewencyjnych.

EN

Traffic incidents are rare random events and their occurrence depends essentially on the number of circumstances. A a large part of these relations is ambiguously defined. The volume of traffic appears to be one of the most important factors that influence the likelihood of the occurrence of a road incident and its effects. Reliable analysis of this relationship needs to rely on reliable data: the traffic data recorded by the videodetection system and information about traffic incidents from the police database SEWIK were used in the paper. These data allowed to build a model of the road incident in the form of Bayesian network. The analysis of this model provides a quantitative description of the significant relationships between objective circumstances and the probability of the road incident occurrence and their consequences. This model may be a starting point to build a system enabling to take appropriate preventive action.

Słowa kluczowe

PL

ruch drogowy; zdarzenie drogowe; wideodetekcja

EN

road traffic; video detection; road accident

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 6
• Strony: 6088--6102
• Opis fizyczny: Bibliogr. 17 poz., rys., tab., wykr., pełny tekst na CD3

Twórcy

autor

Król A.

• Politechnika Śląska w Gliwicach, Wydział Transportu, ul. Krasińskiego 8, 40-019 Katowice, tel. [phone]

Bibliografia

• 1. Bolstad W. M., Introduction to Bayesian statistics, Wiley-Interscience, 2004.
• 2. Cheng J., Druzdzel M. J., AIS-BN: An adaptive importance sampling algorithm for evidential reasoning in large Bayesian networks, Journal of Artificial Intelligence Research 2000, vol. 13, ss. 155 – 188.
• 3. Dempster A. P., Laird N.M. Rubin D.B. Maximum Likelihood from Incomplete Data via the EM Algorithm, Journal of the Royal Statistical Society, Series B 39 (1), 1977, ss. 1 – 38.
• 4. Gregoriades A., Mouskos K. C., Black spots identification through a Bayesian Networks quantification of accident risk index, Transportation Research Part C 2013, 28, ss. 28 – 43.
• 5. Huang H. L., Chin H. C., Haque M. M., Hotspot Identification: A Full Bayesian Hierarchical Modeling Approach, Transportation and Traffic Theory, 2009, ss. 442 – 462.
• 6. Heckerman D., Geiger D., Chickering D. M., Learning Bayesian networks: the combination of knowledge and statistical data, Machine Learning 1995, 20 (3), ss. 197– 243.
• 7. http://genie.sis.pitt.edu.
• 8. http://www.eurorap.pl.
• 9. Kapp C., Who acts on road to reverse accident trends, The Lancet 2003, 362, s. 1125.
• 10. Komenda Główna Policji, Biuro Ruchu Drogowego, Zespół Profilaktyki i Analiz, Wypadki drogowe w Polsce w 2011 roku, Warszawa, 2012.
• 11. Pamuła T., Classification and prediction of traffic flow based on real data using neural networks, Archive of Transport, vol. 24 no. 4, ss. 519 – 522, 2012.
• 12. Pamuła T., Król A., The traffic flow prediction using Bayesian and neural networks, Proc. of VI International scientific conference Transport problems, Silesian University of Technology, Katowice 2014, ss. 562 – 570.
• 13. Song, J. J., Ghosh, A., Miaou, S., Mallick, B., 2006. Bayesian multivariate spatial models for roadway traffic crash mapping. Journal of Multivariate Analysis 97 (1), ss. 246 – 273.
• 14. Wach W., Prawdopodobieństwo warunkowe i sieci Bayesa w rekonstrukcji wypadków drogowych, Paragraf na drodze, nr spec. 2011, ss. 383 – 396.
• 15. Wach W., Structural reliability of road accidents re construction, Forensic Science International 2013, 228, ss. 83–93.
• 16. Xie Y., Lord D., Zhang Y., Predicting motor vehicle collisions using Bayesian neural network models: An empirical analysis, Accident Analysis and Prevention 2007, 39, ss. 922–933.
• 17. Zielinkiewicz A., Zagrożenie wypadkami drogowymi w zależności od pory doby, Czasopismo Techniczne Politechniki Krakowskiej 2001, 1– B / 3, ss. 232 – 241.