Liikenneturvallisuustutkimus Calgaryn peruskouluissa

Tausta Moottoriajoneuvojen törmäykset (MVC:t) ovat yleisin syy kanadalaisten lasten jalankulkijoiden/pyöräilijöiden vammoihin. MVC:n pelko voi edelleen vähentää aktiivisen kuljetuksen esiintyvyyttä ja siihen liittyviä terveyshyötyjä. Rakennetun ympäristön ominaisuudet (esim. jalkakäytävän laajennukset) voivat vähentää lasten loukkaantumisriskiä tietyissä paikoissa. On kuitenkin tärkeää ymmärtää, kuinka nämä ominaisuudet voivat vaikuttaa yhteisön laajuiseen lasten aktiivisen kuljetuksen turvallisuuteen.

Tavoite Tässä tutkimuksessa pyritään kehittämään kattava kone/tilastollinen oppimismalli, joka pystyy ennustamaan lasten pyöräilijöiden/jalankulkijoiden MVC:n riskin ja aktiivisen liikenteen yleisyyden yhteisön tasolla perustuen rakennetun ympäristön piirteisiin eri Kanadan kunnissa.

Suunnittelututkijat rakentavat geotietokannan, jota käytetään useiden koneoppimismallien kouluttamiseen ja testaamiseen(1). Ottaen huomioon, että lasten moottoriajoneuvojen törmäykset (MVC) eivät tapahdu satunnaisesti, vaan kuten muutkin sairaudet jakautuvat vaikuttavien ominaisuuksien mukaan, nämä mallit voivat kyetä muodostamaan assosiaatioita rakennetun ympäristön, lasten aktiivisen liikkumisen esiintyvyyden ja lasten loukkaantumisriskin ja kuolemantapauksia tietyissä Kanadan kunnissa.

Tiedot Tämän projektin tiedot on saatu CHASE-ohjelman (2) kautta. Paikkatietojärjestelmän (GIS)(3,4) -ohjelmiston (eli ArcGIS) avulla CHASE-tiedot ja siihen liittyvät spatiaaliset ominaisuudet on konsolidoitu kattavaksi geotietokantaksi, joka mahdollistaa tilallisesti karakterisoitujen tietojen hallinnan ja tallentamisen. Tämä tietokanta sisältää yli 300 muuttujaa ja yli 200 kiinnostavaa tasoa, joille on ominaista rakennetun ympäristön 3D(5). Tämä sisältää tiheyden (esim. väestön demografiset tiedot, kaupunkien rajat, ikä, sosiaalinen taloudellinen asema), monimuotoisuuden (esim. koulun osallistuminen, opiskelijabussien määrä, risteysvartijat, asuntojen maankäyttö, puistot) ja suunnittelun piirteet (esim. tieverkosto, liikenteen rauhoittaminen, pyöräinfrastruktuuri, liikenteen määrä/nopeus). Tämä tietokanta sisältää myös lasten aktiivisen kuljetuksen (esim. liikennemuotojen osuus, esiintyvyys) ja vammojen (esim. MVC-paikat, poliisin törmäysraportit) tulokset.

CHASE-tiimi on hankkinut nämä tiedot kansallisista, provinssista ja kunnallisista lähteistä, mukaan lukien Alberta Transportation, Kanadan tilastot, Toronton koululautakunta, Calgaryn kaupunki, Eco-Counter ja tietyt CHASE-hankkeet(2). CHASE-projektit sisälsivät peruskouluja ympäröivän rakennetun ympäristön tarkastuksia henkilökohtaisesti, peruskoulun oppilaiden/vanhempien kulkuvälineiden suora tarkkailu kouluun, lähes kokeelliset tutkimukset tietyistä rakennetun ympäristön interventioista sekä rakennetun ympäristön vertailuja pyöräilijän lasten sijaintien välillä. loukkaantumis- ja valvontapaikat. Sekä tämä projekti että CHASE-ohjelma keskittyvät Vancouverin, Surreyn, Calgaryn, Toronton, Peelin, Montrealin ja Lavalin kuntiin; jokaiselta vuodelta vuosilta 2010-2020 kerätyillä tiedoilla. Sellaisenaan tässä tutkimuksessa käytettävä tietokanta sisältää yli 8 000 lasten (1-17-vuotiaat) pyöräilijöiden ja jalankulkijoiden vammoja sekä aktiivisen liikenteen esiintyvyyttä yli 500 peruskoulussa.

Mallin kehittäminen Liikenneturvallisuutta tutkittaessa voidaan käyttää monia erilaisia ​​koneoppimismalleja, mukaan lukien Bayesin neuroverkot, tukivektorikoneet, satunnaiset metsät ja lähin naapuriluokitus(6 -9). Tulosten toistettavuuden (1) varmistamiseksi tässä tutkimuksessa testataan ja verrataan useita valvottuja koneoppimisalgoritmeja.

CHASE-geotietokannan valmistuksen jälkeen tiedot jaetaan koulutus- ja arviointikokonaisuuksiin. Koulutussarja sisältää satunnaisotoksen, jossa on 80 % kunkin kunnan tiedoista, ja loput käytetään arviointisarjassa. Tietojen jakaminen kuntien mukaan koko tietojoukon sijaan varmistaa, että lopullista mallia voidaan testata mahdollisimman laajasti kaupunkisuunnittelussa.

Aluksi mallin kehittämisessä käytetään kaikkia saatavilla olevia muuttujia. Maltillisen mallin varmistamiseksi käytetään erilaisia ​​strategioita (esim. taaksepäin eliminointi, Bayesin tietokriteeri) säilyttämään vain ne muuttujat, jotka vaikuttavat tulokseen, tai ne, joilla voi olla hämmentävä vaikutus muihin tärkeisiin muuttujiin (10). Samankaltaisten ennustajamuuttujien kollineaarisuuden arvioinnit suoritetaan myös koko kehitystyön ajan (esim. periaatekomponenttianalyysi), minkä jälkeen malleja mukautetaan. Harjoittelun aikana k-kertaista ristiinvalidointia käytetään harjoitustietojen uudelleennäytteenottoon.

Tulokset Lasten jalankulkijoiden/pyöräilijöiden loukkaantumiset ja aktiivisen liikenteen tulokset sekä niiden ennustemuuttujat analysoidaan kunkin kunnan kunnan rajapuskurivyöhykkeiden mukaisesti. Tämä mahdollistaa tietyn rakennetun ympäristön ominaispiirteiden tiheyden tutkimisen yhdyskuntarajoja kohti ja sen vaikutusta lasten aktiivisen kuljetuksen tapaturmariskiin ja aktiivisen liikenteen esiintyvyyteen. Eri algoritmien tarkkuuden vertailu johtaa valittuun malliin, joka pystyy määrittämään, lisäävätkö vai vähentävätkö tietyt yhteismuuttujat lasten jalankulkijoiden/pyöräilijöiden loukkaantumisriskiä tai aktiivisen liikenteen esiintyvyyttä.