Αξιολόγηση κινδύνου οδικού ατυχήματος με τεχνικές μηχανικής μάθησης συνδυάζοντας δεδομένα υποδομής, κυκλοφορίας και συμπεριφοράς οδηγού

Περίληψη

Ο στόχος της παρούσας διδακτορικής διατριβής είναι η αξιολόγηση του κινδύνου οδικού ατυχήματος συνδυάζοντας δεδομένα υποδομής, κυκλοφορίας και συμπεριφοράς οδηγού. Για τον σκοπό αυτό, αναπτύχθηκαν δύο βάσεις δεδομένων. Η πρώτη αφορούσε τμήματα αυτοκινητοδρόμου και περιλάμβανε δεδομένα οδικών ατυχημάτων, κυκλοφορίας, γεωμετρίας και συμπεριφοράς των οδηγών, ενώ η δεύτερη αφορούσε τμήματα αστικών και υπεραστικών οδών μιας ευρύτερης περιοχής, για τα οποία δεν υπήρχαν διαθέσιμα δεδομένα ατυχημάτων και κυκλοφορίας. Τα αποτελέσματα του μοντέλου αρνητικής διωνυμικής παλινδρόμησης για τα τμήματα του αυτοκινητοδρόμου έδειξαν θετική και στατιστικά σημαντική συσχέτιση μεταξύ της συχνότητας οδικών ατυχημάτων και των συμβάντων απότομης συμπεριφοράς του οδηγού. Ακολούθως, λαμβάνοντας υπόψη τον αριθμό τον ατυχημάτων ανά μήκος τμήματος και τον κυκλοφοριακό φόρτο, διαμορφώθηκαν τέσσερα επίπεδα επικινδυνότητας των τμημάτων του αυτοκινητοδρόμου με χρήση της ιεραρχικής ομαδοποίησης. Τα τέσσερα επίπεδα επικ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

The objective of this doctoral dissertation is to assess road crash risk by fusing infrastructure, traffic, and driving behaviour data. For this reason, two distinct databases were developed. The first one concerned motorway segments and included road crash, traffic, road geometry and driver behaviour data, while the second database concerned urban and interurban road segments of a broader area for which crash and traffic data were unavailable. The results of the negative binomial regression model for the motorway segments showed a positive and statistically significant relationship between road crash frequency and events of harsh driving behaviour. Subsequently, taking into account the number of road crashes per segment length and traffic volume, four crash risk levels of the motorway segments were formulated using hierarchical clustering. These four crash risk levels were used as the response variable in five machine learning classifiers that included predictors related to road geome ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/56603
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/56603
ND
56603
Εναλλακτικός τίτλος
Machine-learning based road crash risk assessment fusing infrastructure, traffic and driver behaviour data
Συγγραφέας
Νικολάου, Δημήτριος (Πατρώνυμο: Θεόδωρος)
Ημερομηνία
2024
Ίδρυμα
Εθνικό Μετσόβιο Πολυτεχνείο (ΕΜΠ). Σχολή Πολιτικών Μηχανικών
Εξεταστική επιτροπή
Γιαννής Γεώργιος
Αντωνίου Κωνσταντίνος
Μαυρομάτης Στέργιος
Βλαχογιάννη Ελένη
Παπαδημητρίου Ελεονώρα
Γκιοτσαλίτης Κωνσταντίνος
Θεοφιλάτος Αθανάσιος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Πολιτικού Μηχανικού ➨ Επιστήμη και Τεχνολογία των μεταφορών
Λέξεις-κλειδιά
Οδική ασφάλεια; Οδική υποδομή; Οδική κυκλοφορία; Συμπεριφορά οδηγού; Κίνδυνος οδικού ατυχήματος
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., χαρτ., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)