Analiza przyczyn i okoliczności zdarzeń drogowych z zastosowaniem sieci Bayesa

• Autorzy: Król A.

Warianty tytułu

EN

Analysis of the causes and the circumstances of the road accidents using Bayesian networks

• Języki publikacji: PL

Abstrakty

PL

Zdarzenia drogowe są zdarzeniami losowymi i bardzo często zachodzą w wyniku splotu wielu okoliczności. Rekonstrukcja zdarzenia drogowego pozwala z reguły na wskazanie bezpośredniego sprawcy, ale nie można pominąć roli zależności między pozostałymi elementami systemu komunikacyjnego. Używając pojęć wywodzących się z rachunku prawdopodobieństwa oraz narzędzi statystycznych można wskazać siłę oddziaływania różnych zmiennych opisujących okoliczności zdarzenia drogowego. Jednym ze sposobów przedstawienia tego typu zależności przyczynowo – skutkowych są sieci bayesowskie. Ich nazwa pochodzi od zajmującego ważne miejsce w rachunku prawdopodobieństwa i statystyce twierdzenia Bayesa, które postuluje rewizję wcześniejszych przekonań w świetle nowych faktów. Taka analiza może mieć zasadnicze znaczenie dla poprawy poziomu bezpieczeństwa ruchu drogowego poprzez identyfikację kluczowych czynników wpływających na wzrost prawdopodobieństwa zajścia zdarzeń drogowych.

Traffic incidents are the random events and often occur as a result of convolution of many circumstances. Reconstruction of a road event allows as a rule to indicate the direct perpetrator, but the role of the relationship between other elements of the communication system can not be ignored. By the use of the concepts derived from the theory of probability and some statistical tools the impact of different variables describing the circumstances of the road accident can be expressed. One of ways to present this kind of the cause - effect relationships are Bayesian networks. Their name comes from occupying an important place in probability and statistics Bayes' theorem, which calls for a revision of the earlier beliefs in light of new facts. Such an analysis may be essential to improve the level of the road safety through the identification of key factors influencing the growth of the probability of occurrence of road accidents.

Słowa kluczowe

PL

zdarzenie drogowe; wypadek; sieć Bayesa; ruch drogowy; bezpieczeństwo ruchu drogowego

EN

traffic incident; accident; Bayesian network; traffic; road safety

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 3
• Strony: 3325--3334
• Opis fizyczny: Bibliogr. 14 poz., rys., wykr., pełen tekst na CD

Twórcy

autor

Król A.

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

Bibliografia

• 1. Barczak A., Przewidywanie jako metoda zapobiegania stanom zagrożeń komunikacyjnych, Zeszyty Naukowe Uniwersytetu Szczecińskiego, Problemy Transportu i Logistyki 2012, Nr 19 , ss. 8 – 17.
• 2. Bolstad W.M., Introduction to Bayesian statistics, Wiley-Interscience, 2004.
• 3. 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.
• 4. de Oña J., Mujalli R. O., Calvo F. J., Analysis of traffic accident injury severity on Spanish rural highways using Bayesian networks, Accident Analysis and Prevention 2011, 43, ss. 402–411.
• 5. 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
• 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. Kapp, C., Who acts on road to reverse accident trends, The Lancet 2003, 362, s. 1125.
• 9. Mujalli R. O., de Oña J., A method for simplifying the analysis of traffic accidents injury severity on two-lane highways using Bayesian networks, Journal of Safety Research 2011, 42, ss. 317-326.
• 10. Wach W., Prawdopodobieństwo warunkowe i sieci Bayesa w rekonstrukcji wypadków drogowych, Paragraf na drodze, nr spec. 2011, ss. 383-396.
• 11. Wach W., Structural reliability of road accidents re construction, Forensic Science International 2013, 228, ss. 83–93.
• 12. 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.
• 13. Yuan C., Druzdzel M. J., An importance sampling algorithm based on evidence pre-propagation, Proceedings of the 19th Conference on Uncertainty in Artificial Intelligence, Morgan Kaufmann Publishers Inc. 2003, ss. 624-631.
• 14. Zielinkiewicz A., Zagrożenie wypadkami drogowymi w zależności od pory doby, Czasopismo Techniczne Politechniki Krakowskiej 2001, 1-B / 3, ss. 232 – 241.