Application of the Bayesian network to identify the correlations in the circumstances of the road accidents for selected streets in Katowice

• Autorzy: Król A.

Warianty tytułu

PL

Zastosowanie sieci Bayesa do identyfikacji korelacji w okolicznościach zdarzeń drogowych dla wybranych ulic w Katowicach

• Języki publikacji: EN

Abstrakty

EN

Traffic incidents are events of a low probability of the occurrence, and their occurrence is generally dependent on the weave of many circumstances. Not all cause-effect relationships are or can be clearly defined, so that the research requires the use of the appropriate tools. The paper describes the use of the bayesian network. A model of the relationships between all known circumstances and immediate causes of a road accident and its consequences was built. Bayesian network enables the graphical representation of the relationship between random variables and the quantitative inference at a certain state of knowledge. The data contained in the SEWIK database were used to analyze of the incidence of the road incidents for selected streets in Katowice. The achieved results indicate a clear relationship between objective conditions and the distribution of the probability of occurrence of the road accident in various parts of the road network of the city. Such information can be the basis to undertake the specific preventive actions.

PL

Zdarzenia drogowe są zdarzeniami o małym prawdopodobieństwie zaistnienia, a ich wystąpienie jest z reguły uzależnione od splotu wielu okoliczności. Nie wszystkie relacje przyczynowo – skutkowe są i mogą być jednoznacznie określone, zatem ich badanie wymaga zastosowania właściwych narzędzi. W pracy zastosowano sieci bayesowskie, budując model relacji pomiędzy wszystkimi znanymi okolicznościami i bezpośrednimi przyczynami zdarzenia drogowego a jego skutkami. Sieć bayesowska umożliwia graficzną reprezentację powiązań pomiędzy zmiennymi losowymi oraz ilościowe wnioskowanie przy założeniu pewnego stanu wiedzy. Wykorzystując dane zawarte w bazie SEWIK dokonano analizy częstości zdarzeń drogowych dla wybranych ulic w Katowicach. Uzyskane wyniki wskazują na istnienie wyraźnej zależności pomiędzy obiektywnymi warunkami a zróżnicowaniem prawdopodobieństwa zaistnienia zdarzenia drogowego w różnych fragmentach sieci drogowej miasta. Taka informacja może być podstawą do podjęcia określonych działań prewencyjnych.

Słowa kluczowe

EN

Bayesian networks; traffic incidents; streets of Katowice

PL

sieci Bayesa; zdarzenia drogowe; ulice Katowic

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 4
• Strony: 2947--2957
• Opis fizyczny: Bibliogr. 12 poz., rys., tab., pełen tekst na CD

Twórcy

autor

Król A.

• Silesian University of Technology, Faculty of Transport

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] 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.
• [4] 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.
• [5] http://genie.sis.pitt.edu
• [6] http://www.eurorap.pl
• [7] Kapp, C., Who acts on road to reverse accident trends, The Lancet 2003, 362, s. 1125.
• [8] Komenda Główna Policji, Biuro Ruchu Drogowego, Zespół Profilaktyki i Analiz, Wypadki drogowe w Polsce w 2011 roku, Warszawa, 2012.
• [9] Urząd Miasta Katowice, Wydział Rozwoju Miasta, Analiza wypadkowości na sieci drogowej miasta w latach 2009 – 2012, Katowice, 2013.
• [10] Wach W., Prawdopodobieństwo warunkowe i sieci Bayesa w rekonstrukcji wypadków drogowych, Paragraf na drodze, nr spec. 2011, ss. 383-396.
• [11] 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.
• [12] 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.