Studio sulla sicurezza stradale nelle scuole elementari di Calgary

Contesto Le collisioni tra veicoli a motore (MVC) sono una delle principali cause di lesioni a pedoni e ciclisti di bambini canadesi. I timori di MVC possono ridurre ulteriormente la prevalenza del trasporto attivo e i relativi benefici per la salute. Le caratteristiche dell'ambiente edificato (ad esempio, le estensioni del marciapiede) possono ridurre il rischio di lesioni ai bambini in luoghi specifici; tuttavia, è importante capire in che modo queste caratteristiche possono influire sui risultati della sicurezza del trasporto attivo dei bambini a livello di comunità.

Obiettivo Questo studio cerca di sviluppare un modello completo di apprendimento macchina/statistico in grado di prevedere il rischio di bambini in bicicletta/pedone-MVC e la prevalenza del trasporto attivo a livello di comunità, sulla base delle caratteristiche dell'ambiente costruito all'interno di vari comuni canadesi.

I Design Investigator costruiranno un geodatabase da utilizzare per addestrare e testare più modelli di machine learning(1). Dato che le collisioni tra veicoli a motore (MVC) di bambini non si verificano in modo casuale, ma come altre malattie sono distribuite in base alle caratteristiche di influenza, questi modelli possono essere in grado di stabilire associazioni tra l'ambiente costruito, la prevalenza del trasporto attivo di bambini e il rischio di lesioni dei bambini e fatalità in specifici comuni canadesi.

Dati I dati per questo progetto sono stati ottenuti attraverso il programma CHild Active-Transportation Safety and the Environment (CHASE)(2). Utilizzando il software del sistema di informazione geografica (GIS) (3,4) (ad es. ArcGIS), i dati CHASE e le caratteristiche spaziali che li accompagnano sono stati consolidati in un geodatabase completo che consente la gestione e l'archiviazione di dati caratterizzati spazialmente. Questo database contiene oltre 300 variabili e oltre 200 livelli di interesse caratterizzati dai 3D dell'ambiente costruito(5). Ciò include la densità (ad esempio, i dati demografici della popolazione, i confini della città, l'età, lo stato socio-economico), la diversità (ad esempio, la frequenza scolastica, il numero di autobus degli studenti, le guardie di attraversamento, l'uso del suolo delle abitazioni, i parchi) e le caratteristiche del design (ad esempio, le caratteristiche dell'ambiente edificato, rete stradale, moderazione del traffico, infrastrutture ciclabili, volume/velocità del traffico). Questo database include anche i risultati del trasporto attivo di bambini (ad esempio, condivisione della modalità, prevalenza) e lesioni (ad esempio, posizioni MVC, rapporti di collisione della polizia).

Questi dati sono stati ottenuti dal team CHASE da fonti nazionali, provinciali e municipali, tra cui Alberta Transportation, Stats Canada, Toronto District School Board, City of Calgary, Eco-Counter e specifici progetti CHASE(2). I progetti CHASE includevano audit di persona dell'ambiente costruito che circonda le scuole elementari, osservazione diretta del modo di trasporto di studenti/genitori elementari a scuola, studi quasi sperimentali di specifici interventi sull'ambiente costruito e confronti dell'ambiente costruito tra le posizioni di un bambino ciclista lesioni e luoghi di controllo. Sia questo progetto che il programma CHASE si concentrano sui comuni di Vancouver, Surrey, Calgary, Toronto, Peel, Montreal e Laval; con i dati raccolti per ogni anno tra il 2010 e il 2020. Pertanto, il database utilizzato in questo studio conterrà oltre 8.000 lesioni di ciclisti e pedoni di bambini (età 1-17) e la prevalenza del trasporto attivo in oltre 500 scuole elementari.

Sviluppo del modello Quando si studia la sicurezza del traffico, è possibile utilizzare molti diversi modelli di apprendimento automatico, tra cui reti neurali bayesiane, macchine vettoriali di supporto, foreste casuali e classificazione del vicino più vicino (6 -9). Per garantire la riproducibilità dei risultati(1), questo studio testerà e confronterà più algoritmi di machine learning supervisionati.

Dopo aver preparato il geodatabase CHASE, i dati saranno suddivisi in insiemi di addestramento e valutazione. Il set di formazione includerà un campione casuale dell'80% dei dati di ciascun comune, mentre il resto verrà utilizzato nel set di valutazione. La suddivisione dei dati per comune anziché per l'intero set di dati garantisce che il modello finale possa essere testato rispetto alla più ampia gamma possibile di progetti urbani.

Inizialmente, tutte le variabili disponibili saranno utilizzate nello sviluppo del modello. Per garantire un modello parsimonioso, verranno utilizzate varie strategie (ad esempio, eliminazione all'indietro, criterio informativo bayesiano) per conservare solo quelle variabili che hanno un'influenza sul risultato o quelle che possono avere un effetto confondente su altre variabili importanti (10). Le valutazioni della collinearità di variabili predittive simili saranno condotte anche durante lo sviluppo (ad es. Analisi dei componenti principali), con successivo aggiustamento dei modelli. Durante l'addestramento, verrà utilizzata la convalida incrociata k-fold per ricampionare i dati di addestramento.

Esiti I danni ai pedoni/ciclisti e gli esiti del trasporto attivo, insieme alle loro variabili predittive, saranno analizzati in base alle zone cuscinetto di confine della comunità all'interno di ciascun comune. Ciò consentirà di indagare sulla densità delle caratteristiche specifiche dell'ambiente costruito per confine della comunità e sul suo effetto sul rischio di lesioni da trasporto attivo dei bambini e sulla prevalenza del trasporto attivo. Il confronto dell'accuratezza dei vari algoritmi porterà a un modello scelto in grado di determinare se specifiche covariate aumentano o diminuiscono il rischio di lesioni ai pedoni/ciclisti o la prevalenza del trasporto attivo.