Trafiksikkerhedsundersøgelse på Calgary Elementary Schools

Baggrund Motor-køretøjskollisioner (MVC'er) er en førende årsag til canadiske børns skader på fodgængere/cyklister. Frygt for MVC'er kan yderligere reducere aktiv transportprævalens og de medfølgende sundhedsmæssige fordele. Indbyggede miljøfunktioner (f.eks. kantstensforlængelser) kan reducere risikoen for børneskade på bestemte steder; Det er dog vigtigt at forstå, hvordan disse funktioner kan påvirke sikkerhedsresultater for børneaktive transportsikkerheder i samfundet.

Formål Denne undersøgelse søger at udvikle en omfattende maskine/statistisk læringsmodel, der er i stand til at forudsige risikoen for børnecyklister/fodgænger-MVC'er og aktiv transportprævalens på samfundsniveau, baseret på de byggede miljøfunktioner i forskellige canadiske kommuner.

Design Investigators vil konstruere en geodatabase, der skal bruges til at træne og teste flere maskinlæringsmodeller(1). I betragtning af, at børnemotor-køretøjskollisioner (MVC'er) ikke forekommer tilfældigt, men ligesom andre sygdomme er fordelt i henhold til de påvirkningskarakteristika, kan disse modeller være i stand til at etablere sammenhænge mellem det byggede miljø, udbredelse af aktiv transport af børn og risiko for børneskade og dødsfald i specifikke canadiske kommuner.

Data Data for dette projekt er blevet indhentet gennem CHhild Active-Transportation Safety and the Environment (CHASE)-programmet(2). Ved at bruge software til geografisk informationssystem (GIS)(3,4) (dvs. ArcGIS), er CHASE-data og dets medfølgende rumlige karakteristika blevet konsolideret til en omfattende geodatabase, der gør det muligt at administrere og lagre rumligt karakteriserede data. Denne database indeholder over 300 variabler og over 200 lag af interesse karakteriseret ved det byggede miljøs 3D'er(5). Dette inkluderer tæthed (f.eks. befolkningsdemografi, bygrænser, alder, socialøkonomisk status), mangfoldighed (f.eks. skolegang, antal elever, der krydser vagter, boligarealer, parker) og designelementer (f.eks. vejnet, trafikdæmpning, cykelinfrastruktur, trafikmængde/hastighed). Denne database inkluderer også resultater af aktiv transport af børn (f.eks. tilstandsandel, prævalens) og skader (f.eks. MVC-lokationer, politikollisionsrapporter).

Disse data er indhentet af CHASE-teamet fra nationale, provinsielle og kommunale kilder, herunder Alberta Transportation, Stats Canada, Toronto District School Board, City of Calgary, Eco-Counter og specifikke CHASE-projekter(2). CHASE-projekter omfattede personlig audit af det byggede miljø omkring folkeskoler, direkte observation af folkeskoleelever/forældre transportform til skole, kvasi-eksperimentelle undersøgelser af specifikke byggemiljøinterventioner og sammenligninger af det byggede miljø mellem placeringer af en børnecyklist skader og kontrolsteder. Både dette projekt og CHASE-programmet fokuserer på kommunerne Vancouver, Surrey, Calgary, Toronto, Peel, Montreal og Laval; med data indsamlet for hvert år mellem 2010 og 2020. Som sådan vil databasen, der bruges i denne undersøgelse, indeholde over 8.000 børn (alder 1-17) skader på cyklister og fodgængere, og aktiv transportprævalens på over 500 grundskoler.

Modeludvikling Når man undersøger trafiksikkerhed, kan mange forskellige maskinlæringsmodeller bruges, herunder Bayesianske neurale netværk, understøttende vektormaskiner, tilfældige skove og klassificering af nærmeste nabo(6 -9). For at sikre reproducerbarhed af resultater(1), vil denne undersøgelse teste og sammenligne flere overvågede maskinlæringsalgoritmer.

Efter udarbejdelse af CHASE geodatabasen vil dataene blive opdelt i trænings- og evalueringssæt. Uddannelsessættet vil omfatte en tilfældig stikprøve på 80 % af dataene fra hver kommune, mens resten bruges i evalueringssættet. Opdeling af data efter kommune frem for hele datasættet sikrer, at den endelige model kan testes i forhold til det bredest mulige udvalg af bydesign.

I første omgang vil alle tilgængelige variabler blive brugt i udviklingen af ​​modellen. For at sikre en sparsommelig model vil forskellige strategier (f.eks. baglæns eliminering, Bayesian Information Criterion) blive brugt til kun at bevare de variabler, der har indflydelse på resultatet, eller dem, der kan have en forvirrende effekt på andre vigtige variable(10). Evalueringer af kolinearitet af lignende prædiktorvariabler vil også blive udført gennem hele udviklingen (f.eks. Principle Component Analysis), med efterfølgende justering af modeller. Under træning vil der blive brugt k-fold krydsvalidering til resampling af træningsdata.

Resultater Børns fodgænger-/cyklistskade og aktive transportresultater vil sammen med deres prædiktorvariabler blive analyseret i henhold til fællesskabsgrænsebufferzoner inden for hver kommune. Dette vil tillade undersøgelse af tætheden af ​​specifikke byggede miljøegenskaber pr. samfundsgrænse og dens effekt på risikoen for aktiv transportskade hos børn og udbredelsen af ​​aktiv transport. Sammenligning af nøjagtigheden af ​​de forskellige algoritmer vil føre til en valgt model, der er i stand til at bestemme, om specifikke kovariater øger eller mindsker risikoen for skader på fodgængere/cyklister eller aktiv transportprævalens.