【JTE】Análisis de los factores espaciotemporales que afectan la seguridad del tráfico basado en la fusión de datos de múltiples fuentes

Este es un artículo publicado por nuestro grupo de investigación en el Journal of Transportation Engineering Part A-Systems. El artículo utiliza los populares modelos GTWR, GWR y OLS para la investigación. El artículo se presenta aquí y el código del artículo ha sido abierto. fuente , se puede utilizar directamente después de la modificación.
github: https://github.com/RobinYaoWenbin/OpenSource-for-Analysis-of-Spatiotemporal-Factors-Affecting-Traffic-Safety
gitee: https://gitee.com/RobinYaoWenbin/OpenSource-for-Analysis-of-Spatiotemporal -Factores-que-afectan-la-seguridad-del-tránsito

1. Resumen del artículo

El artículo analiza principalmente los factores de influencia espacio-temporales de los accidentes de tránsito. En general, el artículo se puede dividir en las siguientes partes:

1. Análisis estadístico descriptivo de los datos de accidentes de tráfico Según la gravedad, los datos de accidentes se pueden dividir en (muertos y lesiones graves) KSI y (solo daños materiales) PDO, que son víctimas y no víctimas respectivamente. Luego se analizan las características temporales y espaciales de los dos tipos de datos de accidentes respectivamente. La dimensión temporal es contar la frecuencia de accidentes todos los días, y la dimensión espacial es observar la distribución de accidentes. Para un análisis más detallado, utilizamos el índice de Moran global y el índice de Moran local para analizar la autocorrelación espacial.
2. La segunda parte es la extracción de factores de influencia espacio-temporales. Los factores de influencia espacio-temporal se dividen en tres categorías, la primera es la información del estado del tráfico, la segunda son las características de la estructura de la red vial y la tercera es la información del entorno construido. De estas tres categorías se extrajeron un total de 18 variables. Para llevar a cabo el modelado posterior, se requiere el análisis de colinealidad y la prueba de autocorrelación espacial, respectivamente. La información del estado del tráfico proviene de los datos de reconocimiento de matrículas, las características de la estructura de la red de carreteras provienen de los datos de OSM, la información del entorno construido proviene de los datos de PDI y los dos últimos tipos de datos son de código abierto.
3. La tercera parte es el modelado de la relación espacio-tiempo del accidente. El modelo se modela con los modelos GTWR, GWR y OLS respectivamente.
4. La cuarta parte es la interpretación de los resultados. La interpretación de los resultados de este tipo de análisis de factores influyentes a menudo ocupa mucho espacio, y como artículo, esta parte es muy importante, porque aquí está la conclusión principal y la inspiración para práctica de la ingeniería. Sin embargo, en lo que respecta a la metodología, la gente a menudo no piensa mucho en esta parte.

2. Resumen de datos

El documento utiliza 4 tipos de datos, que son datos de accidentes de tráfico , datos de reconocimiento de matrículas , datos de la red de carreteras (openstreetmap) y datos del entorno construido (datos de puntos de interés) .
Los datos de la red de carreteras y los datos del entorno construido en estos cuatro tipos de datos son de código abierto y también son datos muy comunes en la investigación relacionada con el tráfico. Para la adquisición y el uso de datos de la red de carreteras, puede consultar mi blog 【OSMnx】 Al rastrear openstreetmap y organizarlo en una estructura gráfica, puede usar métodos de red complejos para el análisis. Los datos del entorno construido generalmente son datos de PDI. A través de la API de Gaode, puede rastrear el PDI de Gaode y luego usar el PDI para analizar aproximadamente el entorno construido, como áreas residenciales, áreas comerciales, etc. Para obtener más detalles, consulte el papel. También he usado el método correspondiente en muchos artículos.
En cuanto a los datos de accidentes y los datos de reconocimiento de matrículas, necesitan cooperar con los departamentos pertinentes para obtenerlos, y parece que no han visto datos relevantes de fuente abierta. Los datos de accidentes son el registro estructurado del accidente por parte de la policía de tránsito después de un accidente de tránsito. Los datos de reconocimiento de matrículas son un tipo de datos de trayectoria de espacio-tiempo de uso común. La mayor parte de mi investigación se basa en estos datos. Para comprender estos datos , puedes leer mi tesis. Los datos de reconocimiento de matrículas se pueden utilizar para analizar el comportamiento de viaje y el estado del tráfico de tramos de carretera y redes de carreteras.

3. Metodología

Esta sección, a su vez, explica la metodología utilizada en el artículo:

1. El análisis espacial de accidentes de tránsito utiliza índices de Moran globales y locales, que generalmente se utilizan para análisis exploratorios, es decir, para ver si los datos exhiben autocorrelación espacial.
2. Se utilizan algunos métodos de red complejos para extraer variables de la estructura de la red de carreteras. Las intersecciones de la ciudad se utilizan como nodos y las carreteras se utilizan como bordes para formar un gráfico, y luego el grado de entrada, el grado de salida, la densidad de los bordes, la importancia del nodo (pagerank), etc. Además, se obtienen algunos indicadores de red complejos relativamente complejos, como la entropía de orientación, para reflejar el orden de la orientación de la calle.
3. Al calcular los indicadores del entorno construido, los métodos de análisis del entorno construido comúnmente utilizados y la entropía de la información se utilizan para medir las propiedades del uso de la tierra. Estos métodos se detallan en mis artículos, como Yao, W., J. Yu, Y. Yang, N. . Chen, S. Jin , Y. Hu y C. Bai. 2022b. "Comprender el ajuste del comportamiento de viaje bajo COVID-19". Commun. Transp. Res.2 (diciembre): 100068. https://doi.org/ 10.1016/j.commtr. 2022
   .100068., Yao, W., C. Chen, H. Su, N. Chen, S. Jin, y C. Bai. 2022a. "Análisis de las principales rutas de desplazamiento basadas en la cadena de viaje espaciotemporal ." J. Adv. Transp.2022 (Mar): 31. https://doi.org/10.1155/2022/6044540.
4. Los modelos GTWR, GWR y OLS se utilizan en el análisis de los factores de influencia espacio-temporal. Estos modelos también son modelos comunes. Para obtener más información, consulte mi blog de introducción a GTWR .

4. Conclusión

La conclusión es en realidad el coeficiente de GTWR para analizar cómo cada variable independiente afecta la tasa de accidentes. El modelo GTWR puede modelar la heterogeneidad espacio-temporal, por lo que en realidad puede analizar los cambios de coeficiente en la dimensión temporal y los cambios de coeficiente en la dimensión espacial. Por ejemplo, pongo una imagen de la dimensión temporal y una imagen de la dimensión espacial a continuación. . Combinando estas dos imágenes, puedes saber cómo cambia el coeficiente en un día, es decir, cómo cambia la relación entre la variable independiente y la variable dependiente en un día, y también puedes saber cómo cambia la relación entre las dos con el espacio. de. Vea nuestro artículo para más detalles.

5. Código fuente abierto

Los códigos relevantes se han abierto en github y gitee, y aquellos que los necesitan pueden descargarlos por sí mismos.

referencias

Xu C, Zhang Z, Yao W, et al. 2023, Análisis de los factores espaciotemporales que afectan la seguridad del tráfico basado en la fusión de datos de múltiples fuentes.J. transporte Ing., Parte A: Sistemas, 2023, 149(10): 04023098
论文链接：https://doi.org/10.1061/JTEPBS.TEENG-7990