Verkehrssicherheitsstudie an Grundschulen in Calgary

Hintergrund: Kraftfahrzeugkollisionen (MVCs) sind eine der Hauptursachen für Verletzungen von Fußgängern und Radfahrern bei Kindern in Kanada. Ängste vor MVCs können die Verbreitung aktiver Verkehrsmittel und die damit verbundenen gesundheitlichen Vorteile weiter verringern. Merkmale der baulichen Umgebung (z. B. Bordsteinverlängerungen) können das Verletzungsrisiko für Kinder an bestimmten Stellen verringern; Es ist jedoch wichtig zu verstehen, wie sich diese Funktionen auf die Sicherheit aktiver Kindertransporte in der gesamten Gemeinde auswirken können.

Ziel dieser Studie ist die Entwicklung eines umfassenden maschinellen/statistischen Lernmodells, das in der Lage ist, das Risiko von Fahrrad-/Fußgänger-MVCs für Kinder und die Verbreitung aktiver Verkehrsmittel auf Gemeindeebene vorherzusagen, basierend auf den Merkmalen der bebauten Umwelt in verschiedenen kanadischen Gemeinden.

Design Investigators werden eine Geodatenbank erstellen, die zum Trainieren und Testen mehrerer Modelle für maschinelles Lernen verwendet werden soll (1). Angesichts der Tatsache, dass Kollisionen zwischen Kraftfahrzeugen bei Kindern nicht zufällig auftreten, sondern wie andere Krankheiten entsprechend den Einflussmerkmalen verteilt sind, können diese Modelle möglicherweise Zusammenhänge zwischen der gebauten Umwelt, der Prävalenz aktiver Kindertransporte und dem Verletzungsrisiko von Kindern herstellen Todesfälle in bestimmten kanadischen Gemeinden.

Daten Die Daten für dieses Projekt wurden über das CHild Active-Transportation Safety and the Environment (CHASE)-Programm(2) erhoben. Mithilfe der Software für geografische Informationssysteme (GIS)(3,4) (z. B. ArcGIS) wurden CHASE-Daten und die zugehörigen räumlichen Merkmale in einer umfassenden Geodatenbank konsolidiert, die die Verwaltung und Speicherung räumlich charakterisierter Daten ermöglicht. Diese Datenbank enthält über 300 Variablen und über 200 interessante Ebenen, die durch die 3Ds der gebauten Umgebung gekennzeichnet sind (5). Dazu gehören Dichte (z. B. Bevölkerungsdemografie, Stadtgrenzen, Alter, sozioökonomischer Status), Vielfalt (z. B. Schulbesuch, Anzahl der Schülerbusse, Grenzschutz, Wohnflächennutzung, Parks) und Gestaltungsmerkmale (z. B. Merkmale der bebauten Umgebung, Straßennetz, Verkehrsberuhigung, Fahrradinfrastruktur, Verkehrsaufkommen/-geschwindigkeit). Diese Datenbank umfasst auch die Ergebnisse aktiver Kindertransporte (z. B. Verkehrsträgeranteil, Prävalenz) und Verletzungen (z. B. MVC-Standorte, Polizeiunfallberichte).

Diese Daten wurden vom CHASE-Team aus nationalen, provinziellen und kommunalen Quellen bezogen, darunter Alberta Transportation, Stats Canada, das Toronto District School Board, die Stadt Calgary, Eco-Counter und bestimmte CHASE-Projekte(2). Zu den CHASE-Projekten gehörten persönliche Audits der gebauten Umgebung rund um Grundschulen, die direkte Beobachtung des Transportmittels von Grundschülern/Eltern zur Schule, quasi-experimentelle Studien zu spezifischen Interventionen in der gebauten Umwelt und Vergleiche der gebauten Umwelt zwischen Standorten eines Radfahrerkindes Verletzungs- und Kontrollstellen. Sowohl dieses Projekt als auch das CHASE-Programm konzentrieren sich auf die Gemeinden Vancouver, Surrey, Calgary, Toronto, Peel, Montreal und Laval; mit Daten, die für jedes Jahr zwischen 2010 und 2020 gesammelt wurden. Daher wird die in dieser Studie verwendete Datenbank über 8.000 Verletzungen von Radfahrern und Fußgängern bei Kindern (im Alter von 1 bis 17 Jahren) sowie die Prävalenz aktiver Transportmittel an über 500 Grundschulen enthalten.

Modellentwicklung Bei der Untersuchung der Verkehrssicherheit können viele verschiedene Modelle des maschinellen Lernens verwendet werden, darunter Bayes'sche neuronale Netze, Support-Vektor-Maschinen, Random Forests und die Klassifizierung des nächsten Nachbarn (6–9). Um die Reproduzierbarkeit der Ergebnisse sicherzustellen(1), werden in dieser Studie mehrere überwachte Algorithmen für maschinelles Lernen getestet und verglichen.

Nach der Vorbereitung der CHASE-Geodatenbank werden die Daten in Trainings- und Bewertungssätze aufgeteilt. Der Trainingssatz umfasst eine Zufallsstichprobe von 80 % der Daten aus jeder Gemeinde, der Rest wird im Bewertungssatz verwendet. Durch die Aufteilung der Daten nach Kommunen und nicht nach dem gesamten Datensatz wird sichergestellt, dass das endgültige Modell anhand eines möglichst breiten Spektrums städtischer Entwürfe getestet werden kann.

Zunächst werden alle verfügbaren Variablen bei der Entwicklung des Modells verwendet. Um ein sparsames Modell zu gewährleisten, werden verschiedene Strategien (z. B. Rückwärtseliminierung, Bayesianisches Informationskriterium) verwendet, um nur die Variablen beizubehalten, die einen Einfluss auf das Ergebnis haben, oder solche, die möglicherweise einen verwirrenden Effekt auf andere wichtige Variablen haben (10). Während der gesamten Entwicklung werden auch Bewertungen der Kollinearität ähnlicher Prädiktorvariablen durchgeführt (z. B. Hauptkomponentenanalyse) mit anschließender Anpassung der Modelle. Während des Trainings wird eine k-fache Kreuzvalidierung zum erneuten Abtasten der Trainingsdaten verwendet.

Ergebnisse Verletzungen von Fußgängern/Radfahrern bei Kindern und aktive Transportergebnisse werden zusammen mit ihren Prädiktorvariablen anhand der Pufferzonen an den Gemeindegrenzen innerhalb jeder Gemeinde analysiert. Dies ermöglicht die Untersuchung der Dichte spezifischer bebauter Umweltmerkmale pro Gemeindegrenze und ihrer Auswirkungen auf das Verletzungsrisiko von Kindern beim aktiven Transport und die Prävalenz des aktiven Transports. Der Vergleich der Genauigkeit der verschiedenen Algorithmen führt zu einem ausgewählten Modell, mit dem bestimmt werden kann, ob bestimmte Kovariaten das Verletzungsrisiko von Fußgängern/Radfahrern bei Kindern oder die Prävalenz aktiver Fortbewegung erhöhen oder verringern.