توسعه مدل تخمین طول بهینه پنجره لغزان برای غربالگری شبکه راه‌های برون‌شهری

برادران رحمانیان, نصیر; شعبانی, شاهین; ایوبی نژاد, جلال

doi:10.22119/jte.2023.367773.2628

توسعه مدل تخمین طول بهینه پنجره لغزان برای غربالگری شبکه راه‌های برون‌شهری

نوع مقاله : علمی - پژوهشی

نویسندگان

¹ دانشجوی مقطع دکتری، رشته مهندسی راه و ترابری، گروه مهندسی عمران، دانشگاه پیام نور، تهران، ایران

² گروه مهندسی عمران، دانشگاه پیام نور، ص.پ. 4697-19395 ، تهران، ایران

10.22119/jte.2023.367773.2628

چکیده

پنجره لغزان یکی از روش های غربالگری شبکه راهها برای شناسایی نقاط پرتصادف است. در این روش دو پارامتر مهم شامل طول پنجره و حداقل تعداد تصادف در هر نقطه وجود دارد که میزان هریک توسط کاربر تعریف می‌‌‌شود. بررسی پژوهش‌های قبلی نشان می‌‌‌دهد که تغییر میزان طول پنجره و فاصله لغزشی به طور قابل توجهی بر روند جستجوی نقاط پرتصادف تأثیر می‌گذارد و می‌تواند نتایج متفاوتی داشته باشد. طبق بررسی های صورت گرفته، طول پنجره و فاصله لغزشی براساس قضاوت مهندسی و با استفاده از تجارب قبلی انتخاب می‌شود و از روش‌های آماری و علمی برای محاسبه میزان بهینه این پارامترها استفاده نشده است. در پژوهش حاضر، ضمن بررسی ویژگی‌های روش مذکور، متدولوژی جدیدی براساس چارچوب بهینه‌سازی روش پنجره لغزان جهت شناسایی دقیق‌تر نقاط پرتصادف پیشنهاد شده است. روش پیشنهادی اجازه می‌دهد تا طول پنجره لغزان بصورت پویا تخمین زده شود. متدولوژی بهینه‌سازی به این صورت است که ابتدا راه مورد‌نظر قطعه‌بندی شده و برای هر قطعه چندین سناریوی مختلف از طول پنجره با بکارگیری الگوریتم خوشه‌بندی مبتنی بر تراکم(DBSCAN) انتخاب می شود. سپس تابع عملکرد ایمنی (SPF) در راه موردنظر توسعه داده می‌شود و تعداد تصادفات پیش‌بینی و موردانتظار و تفاوت این دو به عنوان پتانسیل بهبود ایمنی(PSI) در هر جابجایی پنجره و برای همه سناریوهای انتخابی در قطعه محاسبه می‌شود. در نهایت از طریق محاسبه میانگین اختلاف‌ها با استفاده از آنالیز واریانس طولی که دارای کمترین میزان پراکندگی مقادیر اختلاف‌ها نسبت به میانگین باشد به عنوان طول بهینه پنجره در هر قطعه تعیین می شود. نتایج این پژوهش نشان داد که در کلیه قطعه‌ها حداقل در یک حرکت پنجره با طول بهینه تخمینی، SPF پنجره سطح دقت مطلوب را برآورده کرده است. همچنین با حرکت پنجره با طول‌های پویای بهینه تعداد 122 نقطه کاندید پرتصادف شناسایی شد که در مقایسه با نتایج پنجره با طول های ثابت 300، 500 و 1000 متری مشخص شد از تراکم تصادف و طول مفید بیشتری برخوردار است.

کلیدواژه‌ها

20.1001.1.20086598.1402.14.3.12.1

عنوان مقاله [English]

Development of a Model for the Optimal Sliding Window Length Estimation to Road Network Screening

نویسندگان [English]

Nassir Baradaran Rahmanian ¹
shahin shabani ²
jalal ayoubinejad ²

¹ Ph.D. Student, Department of Civil Engineering, Payame Noor University (PNU),Tehran, Iran

² Department of civil engineering, Payame Noor university (PNU), P.O.Box: 19395-4697, Tehran, Iran.

چکیده [English]

Sliding window is one of the road network screening methods to identify black spots. There are two parameters which are required to be defined by the user: the window length and the minimum number of crashes per black spot. Based on previous studies, changing the window length significantly affects the process of black spots identification. In other words, changing window length and increment length leads to different results. The reviews show that, window length and increment length are selected based on engineering judgment or using the previous experiences, and statistical techniques and scientific methods have not been used. In this research, a new method is proposed based on optimizing the framework of the sliding window method by examining its features. The new method allows the sliding window length to be estimated dynamically. The optimization methodology is as follows: First, the desired road is segmented and for each segment, several different scenarios of window length are selected using the density-based clustering algorithm. Then the safety performance function is developed and the number of predicted and expected accidents and the difference between them as the potential safety improvement is calculated for each window movement for all selected scenarios in the segment. Finally, by calculating average differences using the analysis of variance, the length that has the lowest dispersion of difference values compared to the mean is determined as the optimal length of the window in each segment. The results of this study showed that in all segments, at least in a single movement of the window with the estimated optimal length, the SPF-value of the window has met the desired level of accuracy. Also, by moving the window with optimal dynamic lengths, 122 prone black spots identified, which has more crash density and effective length compared to the results of windows with fixed lengths of 300, 500 and 1000 meters.

کلیدواژه‌ها [English]

Black spots
Network Screening
Sliding Window
Safety Performance Function
Density-Based Spatial Clustering

مراجع

- Kwon, O., Park, M., Yeo, H., Chung, K. (2013) "Evaluating the performance of network screening methods for detecting high collision concentration locations on highways”, Accident Analysis & Prevention, vol. 51, pp. 141-149.

- Green, E. R. (2018) "Segmentation Strategies for Road Safety Analysis", Theses and Dissertations, Civil Engineering, University of Kentucky.

- Medury, A., Grembek, O. (2016) “Dynamic programming-based hot spot identification approach for pedestrian crashes”, Accident Analysis & Prevention, vol. 93, pp. 198-206.

- Elvik, R. (2007) “State-of-the-art approaches to road accident black spot management and safety analysis of road networks”, European Commission, National Research Council of Norway, Institute of Transport Economics.

- Szénási, S. (2016) “Variable sized planar sliding window technique for searching accident hot spots”, 16th Sgem Geoconference on Informatics, Geoinformatics and Remote Sensing, 28 June – 7 July, 2016, Bulgaria.

- Qin, X., Wellner, A. (2011) “Development of safety screening tool for high risk rural roads in south dakota”, Civil Laboratory for Operations and Safety Engineering in Transportation, Department of Civil and Environmental Engineering, South Dakota State University.

- Qaseem Ghadi, M. (2020) “Methods of segmenting and analyzing of road accident data”, A dissertation for the degree of doctor of philosophy, Supervisor: Dr. Torok, Á., Budapest University of Technology and Economics, Faculty of Transportation Engineering and Vehicle Engineering.

- Lee, J., Chung, K., Papakonstantinou, I., Kang, S., Kim, D. (2020) “An optimal network screening method of hotspot identification for highway crashes with dynamic site length.”, Accident Analysis & Prevention, vol. 135, 105358.

- Zhang, D., Peijie, W., Xianghai, M. (2018) “The optimal sliding window length and increment length for identifying hazardous road segments”, Transportation Research Board 97th Annual Meeting, 7-11 January 2018.

- Ghadi, M., Török, Á. (2019) “A comparative analysis of black spot identification methods and road accident segmentation methods”, Accident Analysis & Prevention, vol. 128, pp. 1-7.

- AASHTO, (2010) “Highway safety manual 1st edition” American Association of State Highway and Transportation Officials.

- Kolody, K., Perez-Bravo, D., Zhao, J., Neuman, T.R (2014) “Highway safety Manual user guide”, National Cooperative Highway Research Program, Federal Highway Administration (FHWA).

Bonera, M., Barabino, B., Maternini, G. (2022) “A Straightforward Framework for Road Network Screening to Lombardy Region” Sustainability, 14, 12424 https://doi.org / 10.3390 / su141912424

- Ester, M., Kriegel, H., Sander, J., Xu, X. (1996) “A density-based algorithm for discovering clusters in large spatial databases with noise”, KDD'96: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining.

- Hassan El Bahi, H., Zatni, A. (2018) “Document text detection in video frames acquired by a smartphone based on line segment detector and DBSCAN clustering”, Journal of Engineering Science and Technology 13(2).

- Deng, D. (2020) “DBSCAN clustering algorithm based on density”, 7th International Forum on Electrical Engineering and Automation (IFEEA), Sichuan University Nationalities, Kangding, Sichuan, China.

- Farid, A., Abdel-Aty, M., Lee, J. (2019) ”Comparative analysis of multiple techniques for developing and transferring safety performance functions”, Accident Analysis & Prevention, vol. 122, pp. 85-98.

- Lord, D., Mannering, F. (2010) “The statistical analysis of crash-frequency data: a review and assessment of methodological alternatives”, Transportation. Research Part A: Policy and Practice. Vol. 44(5), pp. 291-305.

- Farid, A., Abdel-Aty, M., Lee, J. (2018) “Transferring and calibrating safety performance functions among multiple states”, Accident Analysis & Prevention, vol. 117, pp. 276–287.

- Srinivasan, R., Bauer, K. (2013) ”Safety performance function development guide: developing jurisdiction specific SPFs”, The University of North Carolina Highway Safety Research Center, FHWA-SA-14-005.

- Ghadi, M., Török, Á. (2019) “Comparison of different road segmentation methods”, Promet Traffic Transport (in press).

- Fisher, R.A. (1992) “Statistical methods for research workers”, In: Kotz, S., Johnson, N.L., Breakthroughs in Statistics, Springer Series in Statistics, Springer, New York, NY.

- RC SP. (2020) “Guidelines for identifying and treating black spots”, Incorporating the comments of HSS Committee, (for the considerations of Council), India.

- Fu, X., Liu, J., Jones, S., Barnett, T., Khattak, A. (2022) “From the past to the future: Modeling the temporal instability of safety performance functions”, Accident Analysis & Prevention, Volume 167, March 2022, 106592.