Evaluating Connected Vehicle Hard Braking and Acceleration Thresholds for Network- Level Non-Interstate Highway Crash Prediction
Deze studie toont aan dat hard remmen en acceleratiegebeurtenissen afgeleid van connected vehicle-data, specifiek met behulp van een drempelwaarde van 0,25g, dienen als effectieve veiligheidssurrogaten voor het voorspellen van netwerkbrede ongevalscijfers op niet-interstate snelwegen, wat een sneller alternatief biedt voor traditionele meerjarige ongevalsdata-analyse.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Wegen zijn geen statische decors; het zijn levende systemen waar miljoenen reizen elkaar kruisen, en waar het verschil tussen een veilige aankomst en een tragedie vaak afhangt van een beslissing in een fractie van een seconde. Decennialang hebben verkeersinstanties vertrouwd op een reactieve aanpak wat betreft veiligheid, waarbij ze wachtten tot er jarenlang ongevalsgegevens waren verzameld voordat ze gevaarlijke punten konden identificeren en de uitgaven voor reparaties konden rechtvaardigen. Deze methode is traag en laat risicovolle locaties vaak onaangepakt totdat er te veel mensen gewond zijn geraakt. In de afgelopen jaren is er een nieuw hulpmiddel opgekomen om dit proces te versnellen: het verbonden voertuig. Moderne auto's zijn uitgerust met sensoren die constant hun snelheid, positie en richting rapporteren, wat een enorme, real-time stroom van gegevens creëert. Onderzoekers hebben ontdekt dat bestuurders vóór een ongeval vaak waarschuwingssignalen vertonen, zoals het plotseling dichtbij de remmen of het krachtig indrukken van het gaspedaal. Deze "bijna-ongeluk"-gebeurtenissen komen veel vaker voor dan daadwerkelijke crashes, en bieden een manier om opkomende veiligheidsproblemen te signaleren in weken of maanden, in plaats van jaren te wachten tot er een patroon van ongelukken verschijnt.
Een team onderzoekers aan de Purdue University zette zich in om te testen of deze plotselinge rem- en acceleratiegebeurtenissen betrouwbaar konden voorspellen waar crashes zouden plaatsvinden op niet-interstate snelwegen, zoals provinciale wegen en US-routes. Ze analyseerden een overweldigende hoeveelheid gegevens die bijna zeven jaar besloeg, met meer dan 251.000 geregistreerde crashes in heel Indiana. Om de context van deze ongelukken te begrijpen, koppelden ze de ongevalsgegevens aan gegevens van 1,9 miljard voertuigritten, die ongeveer 38 miljard gevallen van hard remmen en hard accelereren bevatten. Het doel was om te zien of de locaties waar bestuurders vaak plotseling moesten remmen of agressief moesten accelereren, overeenkwamen met de locaties waar daadwerkelijke botsingen plaatsvonden. De onderzoekers moesten precies bepalen hoe ze een "harde" gebeurtenis zouden definiëren, aangezien een zachte stop normaal rijgedrag is, terwijl een paniekstop op een potentieel gevaar wijst. Ze moesten ook bepalen wat de juiste grootte van het wegsegment was om te analyseren, aangezien het kijken naar een enkel klein stukje weg het grotere plaatje zou kunnen missen, terwijl het kijken naar een zeer lang traject specifieke gevarenzones zou kunnen verwateren.
De studie vond een sterke, positieve link tussen deze surrogaatveiligheidsmaten en daadwerkelijke crashes. Toen de onderzoekers de gegevens bekeken, ontdekten ze dat de beste manier om een gevaarlijke plek te identificeren, was door te zoeken naar gebeurtenissen waarbij het voertuig een kracht ervoer van ongeveer 0,25g, wat ongeveer een kwart van de zwaartekracht is. Bij deze specifieke drempelwaarde was de correlatie tussen harde remgebeurtenissen en ongevalslocaties het sterkst, met een mate van overeenstemming die suggereert dat de twee diep met elkaar verbonden zijn. Interessant genoeg vonden de onderzoekers dat het kijken naar het eindpunt van een remgebeurtenis iets nauwkeuriger was dan kijken naar waar het begon, hoewel het verschil zeer klein was. Ze stelden ook vast dat de grootte van het wegsegment er aanzienlijk toe deed. Wanneer ze zeer korte wegsecties analyseerden, was de verbinding zwak omdat een enkele remgebeurtenis net vóór een crash kan plaatsvinden maar op een ander stuk weg. Echter, toen ze de lengte van het wegsegment vergrootten naar ongeveer een derde mijl, verbeterde de correlatie drastisch. Voorbij die lengte vlakte de verbetering af, wat suggereert dat een segment van ongeveer 0,3 tot 0,4 mijl de ideale schaal is voor het opsporen van deze risicovolle gebieden.
Een van de meest kritische vragen die het team aanpakte, was of deze remgebeurtenissen simpelweg een reflectie waren van hoeveel auto's er op de weg waren. Het is logisch dat drukke wegen meer crashes en meer remgebeurtenissen hebben, simpelweg omdat er meer voertuigen zijn. Als de verbinding tussen hard remmen en crashes slechts een resultaat was van de verkeersintensiteit, dan zou het tellen van harde stops geen nieuwe inzichten in de veiligheid bieden. De onderzoekers testten dit door de gegevens te vergelijken met verkeerstellingen. Ze vonden dat hoewel de verkeersintensiteit wel correleerde met crashes, de gegevens over hard remmen en acceleratie een veel sterker signaal gaven. Zelfs toen ze het effect van de verkeersintensiteit wiskundig verwijderden, bleef de link tussen hard remmen en crashes sterk. Dit bewijst dat deze gebeurtenissen iets specifiefs vastleggen over het gevaar van een locatie — zoals lastige geometrie, slechte wegomstandigheden of agressief rijgedrag — dat verkeerstellingen alleen niet kunnen verklaren.
De analyse onthulde ook een specifieke wiskundige relatie tussen de frequentie van hard remmen en de frequentie van crashes. De gegevens toonden aan dat als de frequentie van harde remgebeurtenissen op een wegsegment verdubbelt, de frequentie van crashes met ongeveer 25 procent toeneemt. Deze relatie hield stand bij verschillende soorten wegen en was consistent met bevindingen uit andere staten, wat wijst op een universeel patroon in hoe rijgedrag vertaalt naar risico. De onderzoekers concludeerden dat door deze verbonden voertuiggegevens te gebruiken, transportinstanties kunnen afstappen van het jarenlang wachten op een geschiedenis van crashes. In plaats daarvan kunnen ze gevaarlijke locaties identificeren binnen weken of maanden door te monitoren op clusters van hard remmen en accelereren. Deze verschuiving stelt veiligheidsfunctionarissen in staat om hun beperkte middelen proactief naar de meest kritieke plekken te richten, waardoor ongelukken potentieel voorkomen worden voordat ze gebeuren, in plaats van er pas op te reageren nadat ze hebben plaatsgevonden. De studie bevestigt dat deze digitale voetafdrukken van bijna-ongelukken een krachtig, schaalbaar hulpmiddel zijn om wegen veiliger te maken voor iedereen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.