Studium bezpečnosti provozu na základních školách v Calgary

Pozadí Srážky motorových vozidel (MVC) jsou hlavní příčinou zranění kanadských dětí, chodců a cyklistů. Obavy z MVC mohou dále snížit prevalenci aktivní dopravy a související zdravotní přínosy. Vestavěné prvky prostředí (např. rozšíření obrubníků) mohou snížit riziko zranění dětí na určitých místech; je však důležité porozumět tomu, jak mohou tyto funkce ovlivnit výsledky aktivní přepravy dětí v rámci celé komunity.

Cíl Tato studie se snaží vyvinout komplexní model strojového/statistického učení schopný předpovídat riziko dětských cyklistů/chodců-MVC a výskyt aktivní dopravy na komunitní úrovni, na základě vlastností zastavěného prostředí v různých kanadských obcích.

Design Investigators vytvoří geodatabázi, která bude použita k trénování a testování různých modelů strojového učení(1). Vzhledem k tomu, že kolize dětských motorových vozidel (MVC) se nevyskytují náhodně, ale stejně jako ostatní nemoci jsou distribuovány podle ovlivňujících charakteristik, mohou být tyto modely schopny vytvořit souvislosti mezi zastavěným prostředím, prevalencí aktivní přepravy dětí a rizikem zranění dítěte a úmrtí v konkrétních kanadských obcích.

Údaje Údaje pro tento projekt byly získány prostřednictvím programu CHASE (Child Active-Transportation Safety and the Environment)(2). Pomocí softwaru geografického informačního systému (GIS)(3,4) (tj. ArcGIS) byla data CHASE a jejich doprovodné prostorové charakteristiky konsolidována do komplexní geodatabáze umožňující správu a ukládání prostorově charakterizovaných dat. Tato databáze obsahuje přes 300 proměnných a přes 200 zájmových vrstev charakterizovaných 3D vestavěného prostředí(5). To zahrnuje hustotu (např. demografické údaje, hranice města, věk, sociálně-ekonomický status), rozmanitost (např. školní docházku, počty autobusů studentů, hlídače přechodů, využití půdy pro bydlení, parky) a prvky designu (např. prvky zastavěného prostředí, silniční síť, zklidnění dopravy, cyklistická infrastruktura, objem/rychlost dopravy). Tato databáze také zahrnuje výsledky aktivní přepravy dětí (např. sdílení módů, prevalence) a zranění (např. umístění MVC, policejní hlášení o kolizi).

Tyto údaje získal tým CHASE z národních, provinčních a městských zdrojů, včetně Alberta Transportation, Stats Canada, Toronto District School Board, City of Calgary, Eco-Counter a konkrétních projektů CHASE(2). Projekty CHASE zahrnovaly osobní audity zastavěného prostředí v okolí základních škol, přímé pozorování způsobu dopravy žáků základních škol/rodičů do školy, kvaziexperimentální studie konkrétních zásahů do zastavěného prostředí a porovnávání zastavěného prostředí mezi lokalitami dětského cyklisty. místa zranění a kontroly. Tento projekt i program CHASE se zaměřují na obce Vancouver, Surrey, Calgary, Toronto, Peel, Montreal a Laval; s údaji shromážděnými za každý rok v letech 2010 až 2020. Databáze použitá v této studii jako taková bude obsahovat více než 8 000 dětských (ve věku 1-17) úrazů cyklistů a chodců a prevalenci aktivní dopravy na více než 500 základních školách.

Vývoj modelu Při zkoumání bezpečnosti provozu lze použít mnoho různých modelů strojového učení, včetně Bayesových neuronových sítí, podpůrných vektorových strojů, náhodných lesů a klasifikace nejbližších sousedů (6-9). Aby byla zajištěna reprodukovatelnost výsledků(1), bude tato studie testovat a porovnávat několik řízených algoritmů strojového učení.

Po přípravě geodatabáze CHASE budou data rozdělena do tréninkových a vyhodnocovacích sad. Tréninkový soubor bude obsahovat náhodný vzorek 80 % dat z každé obce, přičemž zbytek bude použit v sadě hodnocení. Rozdělení dat podle obcí spíše než podle celého datového souboru zajišťuje, že konečný model lze testovat s co nejširším rozsahem urbanistických návrhů.

Zpočátku budou při vývoji modelu použity všechny dostupné proměnné. Aby byl zajištěn šetrný model, budou použity různé strategie (např. zpětná eliminace, Bayesovské informační kritérium), aby byly zachovány pouze ty proměnné, které mají vliv na výsledek, nebo ty, které mohou mít matoucí vliv na jiné důležité proměnné (10). Vyhodnocení kolinearity podobných prediktorových proměnných bude také prováděno v průběhu vývoje (např. Principle Component Analysis) s následnou úpravou modelů. Během tréninku bude k převzorkování tréninkových dat použita křížová validace k-násobku.

Výsledky Zranění dětí chodcem/cyklistou a výsledky aktivní dopravy spolu s jejich predikčními proměnnými budou analyzovány podle hraničních nárazníkových zón v každé obci. To umožní prozkoumat hustotu specifických prvků zastavěného prostředí na hranici komunity a jeho vliv na riziko úrazu dítěte při aktivní přepravě a na prevalenci aktivní přepravy. Porovnání přesnosti různých algoritmů povede ke zvolenému modelu schopnému určit, zda konkrétní kovariáty zvyšují nebo snižují riziko zranění dítěte chodcem/cyklistou nebo prevalenci aktivní dopravy.