Resumen

El desarrollo continuo de infraestructuras urbanas centradas en el transporte sostenible ha provocado la proliferación de usuarios vulnerables de la vía pública (VRU), como ciclistas y peatones, en las intersecciones. La evaluación de la seguridad en las intersecciones se ha basado principalmente en datos históricos de colisiones. Sin embargo, debido a varias limitaciones, como la rareza, imprevisibilidad e irregularidad de los accidentes, los análisis cuantitativos y cualitativos de los accidentes pueden no ser precisos. Para superar estas limitaciones, la seguridad de las intersecciones puede evaluarse de forma proactiva cuantificando las casi colisiones mediante medidas alternativas conocidas como medidas de seguridad sustitutas (SSM). Este estudio se centra en el desarrollo de modelos para predecir los cuasi-accidentes críticos entre vehículos y bicicletas en las intersecciones basándose en SSMs y datos cinemáticos. Se emplearon datos de vídeo de diez intersecciones señalizadas de la ciudad de San Diego para entrenar modelos de regresión logística (LR), de máquina de vectores de apoyo (SVM) y de bosque aleatorio (RF). Se utilizó una variación del tiempo hasta la colisión denominada T2 y el tiempo posterior a la colisión (PET) para especificar los periodos de control e identificar los cuasi-accidentes críticos, respectivamente. Se crearon cuatro escenarios utilizando dos umbrales de 5 y 3 s tanto para el PET como para el T2. En cada escenario se examinaron cinco longitudes de periodos de vigilancia. El modelo RF fue superior a otros modelos en todos los escenarios y en las distintas duraciones de los periodos de monitorización. Los resultados también mostraron una pequeña compensación entre el rendimiento del modelo y la duración del periodo de monitorización, identificando que los modelos con periodos de monitorización de 10 y 20 fotogramas funcionaban ligeramente mejor que los de longitudes inferiores o superiores. También se aplicaron métodos de selección de características secuenciales hacia atrás y hacia delante que mejoraron el rendimiento del modelo. El mejor modelo de RF tuvo valores de recuerdo del 85% o superiores en todos los escenarios. Además, los modelos de predicción de radiofrecuencia obtuvieron mejores resultados cuando sólo se tuvieron en cuenta las colisiones por alcance, con valores de recuperación superiores al 90%.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:colisiones, intersecciones, modelos, rendimiento de los modelos, distintas duraciones de los periodos de vigilancia, métodos de selección de características, evaluación de la seguridad en las intersecciones, modelos de predicción de la rf, mejor modelo de rf, datos históricos de colisiones
• Keywords:crashes, intersections, models, model performance, different monitoring period lengths, forward feature selection methods, intersection safety evaluation, rf prediction models, best rf model, historical crash data