Evaluating Connected Vehicle Hard Braking and Acceleration Thresholds for Network- Level Non-Interstate Highway Crash Prediction
本研究表明，通过联网车辆数据（具体使用 0.25g 阈值）获取的急刹车和加速事件，可作为预测非州际高速公路网络级事故率的有效安全替代指标，为传统的多年事故数据分析提供了一种更快速的替代方案。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
道路并非静态的背景；它们是活生生的系统，数以百万计的旅程在此交汇，而安全抵达与悲剧之间的区别往往取决于瞬间的决策。几十年来，交通部门一直依赖于一种反应式的方法来处理安全问题，即等待数年的事故记录积累，以便识别危险地点并为修复它们提供资金依据。这种方法进展缓慢，且往往在太多人受伤之前，无法解决高风险位置的问题。近年来，一种新工具的出现加速了这一过程：联网车辆。现代汽车配备了传感器，能够不断报告其速度、位置和方向，从而创造出海量的实时数据流。研究人员发现，在碰撞发生之前，驾驶员通常会表现出预警信号，例如猛踩刹车或猛踩油门。这些“近失”（near-miss）事件远比实际碰撞更为常见，为在数年等待事故模式显现之前，通过数周或数月的时间识别新兴的安全问题提供了可能。
普渡大学的一个研究小组致力于测试这些突然制动和加速事件是否可以可靠地预测非州际公路（如州道和美国国道）上的碰撞发生位置。他们分析了跨越近七年的惊人数据，涵盖了印第安纳州记录的超过25.1万起事故。为了理解这些事故的背景，他们将事故记录与19亿次车辆行程数据进行配对，其中包括约380亿次急刹车和急加速实例。目标是观察驾驶员频繁需要猛烈制动或激进加速的位置，是否与实际发生碰撞的位置相吻合。研究人员需要确定究竟如何定义一次“剧烈”事件，因为轻微的停车属于正常驾驶，而恐慌性制动则预示着潜在的危险。他们还需要确定分析路段的最佳规模，因为观察极小的路面片段可能会忽略大局，而观察过长的路段则可能会稀释特定的危险区域。
研究发现，这些替代安全指标与实际碰撞之间存在强烈的正相关关系。当研究人员分析数据时，他们发现识别危险点最佳的方法是寻找车辆经历约0.25g（约为重力加速度的四分之一）作用力的事件。在这个特定的阈值下，急刹车事件与碰撞位置之间的关联最为紧密，其一致性水平表明两者是深度相关的。有趣的是，研究人员发现，观察制动事件的终点比观察其起点略微准确，尽管差异非常小。他们还确定了路段的大小至关重要。当他们分析非常短的路段时，这种联系很弱，因为单次制动事件可能发生在碰撞前但在不同的路面上。然而，随着他们将路段长度增加到约三分之一英里，相关性显著提高。超过这个长度后，提升趋于平缓，这表明大约0.3到0.4英里的路段是识别这些高风险区域的理想规模。
该团队解决的最关键问题之一是：这些制动事件是否仅仅是道路交通流量的反映。逻辑上讲，繁忙的道路由于车辆更多，自然会有更多的碰撞和制动事件。如果制动与碰撞之间的联系仅仅是交通量的结果，那么统计急停次数就不会提供任何新的安全洞察。研究人员通过将数据与交通流量计数进行对比测试了这一点。他们发现，虽然交通量与碰撞确实相关，但急刹车和急加速数据提供了更强的信号。即使他们在数学上剔除了交通量的影响，急刹车与碰撞之间的联系依然保持强劲。这证明了这些事件捕捉到了关于地点危险性的特定信息——例如复杂的几何结构、恶劣的路况或激进的驾驶行为——这是仅靠交通计数无法解释的。
分析还揭示了急刹车频率与碰撞频率之间的特定数学关系。数据显示，如果一个路段的急刹车事件率翻倍，碰撞率则会增加约25%。这一关系在不同类型的道路上均成立，并且与其他州的研究结果一致，表明在驾驶行为转化为风险方面存在一种普遍模式。研究人员得出结论，通过使用这些联网车辆数据点，交通部门可以不再等待多年的事故历史。相反，通过监测急刹车和急加速的聚集情况，他们可以在数周或数月内识别出危险位置。这种转变使安全官员能够主动地将有限的资源投入到最关键的地点，从而在事故发生前进行预防，而非在事后才做出反应。研究证实，这些近失事件的数字足迹是使道路对每个人都更安全的强大且可扩展的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。