Badanie bezpieczeństwa ruchu drogowego w szkołach podstawowych w Calgary

Kontekst Kolizje pojazdów silnikowych (MVC) są główną przyczyną obrażeń dzieci pieszych/rowerzystów w Kanadzie. Obawy przed MVC mogą jeszcze bardziej ograniczyć rozpowszechnienie aktywnego transportu i towarzyszące mu korzyści zdrowotne. Elementy środowiska zabudowanego (np. przedłużenia krawężników) mogą zmniejszać ryzyko obrażeń dzieci w określonych lokalizacjach; jednak ważne jest, aby zrozumieć, w jaki sposób te cechy mogą wpłynąć na wyniki w zakresie bezpieczeństwa aktywnego transportu dzieci w całej społeczności.

Cel Niniejsze badanie ma na celu opracowanie kompleksowego modelu uczenia maszynowego/statystycznego, zdolnego do przewidywania ryzyka związanego z dziecięcymi rowerzystami/pieszymi-MVC oraz rozpowszechnieniem aktywnego transportu na poziomie społeczności, w oparciu o cechy środowiska zbudowanego w różnych kanadyjskich gminach.

Design Investigators zbudują geobazę, która będzie używana do trenowania i testowania wielu modeli uczenia maszynowego(1). Biorąc pod uwagę, że kolizje dzieci z pojazdami silnikowymi (MVC) nie występują przypadkowo, ale podobnie jak inne choroby są rozłożone zgodnie z wpływającymi cechami, modele te mogą być w stanie ustalić powiązania między środowiskiem zabudowanym, rozpowszechnieniem aktywnego transportu dzieci oraz ryzykiem urazów dzieci i ofiar śmiertelnych w określonych kanadyjskich gminach.

Dane Dane do tego projektu zostały uzyskane w ramach programu CHild Active-Transportation Safety and the Environment (CHASE)(2). Korzystając z oprogramowania systemu informacji geograficznej (GIS)(3,4) (tj. ArcGIS), dane CHASE i towarzyszące im charakterystyki przestrzenne zostały skonsolidowane w kompleksową geobazę umożliwiającą zarządzanie i przechowywanie danych o charakterystyce przestrzennej. Ta baza danych zawiera ponad 300 zmiennych i ponad 200 interesujących warstw charakteryzujących się trójwymiarowymi elementami środowiska zbudowanego(5). Obejmuje to zagęszczenie (np. dane demograficzne, granice miast, wiek, status społeczno-ekonomiczny), różnorodność (np. uczęszczanie do szkół, liczba uczniów w autobusach, strażnicy na przejściach, użytkowanie gruntów pod zabudowę mieszkaniową, parki) oraz cechy projektowe (np. cechy środowiska zabudowanego, sieć drogowa, uspokojenie ruchu, infrastruktura rowerowa, natężenie/prędkość ruchu). Ta baza danych obejmuje również aktywny transport dzieci (np. współużytkowanie środka transportu, rozpowszechnienie) oraz wyniki obrażeń (np. lokalizacje MVC, policyjne raporty o kolizjach).

Dane te zostały uzyskane przez zespół CHASE ze źródeł krajowych, prowincjonalnych i miejskich, w tym Alberta Transportation, Stats Canada, Toronto District School Board, City of Calgary, Eco-Counter i konkretnych projektów CHASE(2). Projekty CHASE obejmowały osobiste audyty środowiska zabudowanego otaczającego szkoły podstawowe, bezpośrednią obserwację środków transportu uczniów/rodziców szkół podstawowych do szkoły, quasi-eksperymentalne badania konkretnych interwencji w środowisku zabudowanym oraz porównania środowiska zbudowanego między lokalizacjami rowerzysty dziecięcego miejsca obrażeń i kontroli. Zarówno ten projekt, jak i program CHASE skupiają się na gminach Vancouver, Surrey, Calgary, Toronto, Peel, Montreal i Laval; z danymi zebranymi dla każdego roku w latach 2010-2020. W związku z tym baza danych wykorzystana w tym badaniu będzie zawierać ponad 8 000 urazów dzieci (w wieku 1-17 lat) spowodowanych przez rowerzystów i pieszych oraz występowanie aktywnego transportu w ponad 500 szkołach podstawowych.

Rozwój modeli Podczas badania bezpieczeństwa ruchu drogowego można zastosować wiele różnych modeli uczenia maszynowego, w tym Bayesowskie sieci neuronowe, maszyny wektorów nośnych, losowe lasy i klasyfikację najbliższego sąsiada(6-9). Aby zapewnić powtarzalność wyników(1), w ramach tego badania przetestujemy i porównamy wiele nadzorowanych algorytmów uczenia maszynowego.

Po przygotowaniu geobazy CHASE dane zostaną podzielone na zestawy treningowe i ewaluacyjne. Zestaw uczący będzie zawierał losową próbkę 80% danych z każdej gminy, a pozostała część zostanie wykorzystana w zbiorze ewaluacyjnym. Podział danych na gminy, a nie na cały zbiór danych, gwarantuje, że ostateczny model będzie można przetestować w możliwie najszerszym zakresie projektów urbanistycznych.

Początkowo wszystkie dostępne zmienne zostaną wykorzystane do opracowania modelu. Aby zapewnić oszczędny model, zostaną zastosowane różne strategie (np. eliminacja wsteczna, Bayesian Information Criterion) w celu zachowania tylko tych zmiennych, które mają wpływ na wynik lub te, które mogą mieć zakłócający wpływ na inne ważne zmienne(10). Oceny kolinearności podobnych zmiennych predykcyjnych będą również przeprowadzane w trakcie opracowywania (np. analiza głównych składowych), z późniejszym dostosowaniem modeli. Podczas treningu do ponownego próbkowania danych treningowych zostanie wykorzystana k-krotna walidacja krzyżowa.

Wyniki Urazy dzieci pieszych/rowerzystów i wyniki aktywnego transportu, wraz z ich zmiennymi predykcyjnymi, zostaną przeanalizowane zgodnie z granicznymi strefami buforowymi społeczności w każdej gminie. Umożliwi to zbadanie gęstości określonych cech środowiska zabudowanego na granicy społeczności oraz jej wpływu na ryzyko urazów dzieci podczas aktywnego transportu i rozpowszechnienie aktywnego transportu. Porównanie dokładności różnych algorytmów doprowadzi do wybranego modelu, który będzie w stanie określić, czy określone współzmienne zwiększają, czy zmniejszają ryzyko obrażeń dzieci pieszych/rowerzystów lub rozpowszechnienie aktywnego transportu.