Resumen

Las inclemencias meteorológicas invernales, como la nieve, el aguanieve y la lluvia helada, afectan significativamente a la seguridad vial. Para evaluar las implicaciones en la seguridad de las condiciones meteorológicas invernales, las operaciones de mantenimiento y las operaciones de tráfico, se han desarrollado varios modelos de frecuencia de colisiones. En este estudio, se combinaron varios conjuntos de datos, incluyendo información meteorológica, de operaciones de quitanieves y de tráfico, para desarrollar un modelo robusto de frecuencia de colisiones para condiciones meteorológicas invernales. A la hora de desarrollar modelos estadísticos a partir de conjuntos de datos multivariantes a gran escala, uno de los retos consiste en determinar qué variables explicativas deben incluirse en el modelo. Este artículo presenta un marco de selección de características que utiliza un algoritmo de aprendizaje automático conocido como algoritmo de Boruta y una búsqueda exhaustiva para seleccionar una lista de variables que se incluirán en un modelo binomial negativo de frecuencia de colisiones. El marco de selección de características propuesto en este artículo genera resultados coherentes e intuitivos porque el proceso de selección de características reduce la complejidad de las interacciones entre las distintas variables del conjunto de datos. Esto permite a nuestro modelo de frecuencia de colisiones ayudar mejor a las agencias a identificar formas efectivas de mejorar la seguridad vial a través de las operaciones de vialidad invernal. Por ejemplo, el aumento de las operaciones de arado antes del inicio de las tormentas se asocia con una disminución de las tasas de accidentes. Por lo tanto, las operaciones de pretratamiento pueden desempeñar un papel importante en la mitigación del impacto de las tormentas de invierno.

• 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:marco de selección de características, seguridad vial, modelo binomial negativo de frecuencia de colisiones, modelo robusto de frecuencia de colisiones, diversos modelos de frecuencia de colisiones, inclemencias invernales, modelo de frecuencia de colisiones, proceso de selección de características, conjuntos de datos multivariantes a escala, operaciones de vialidad invernal
• Keywords:feature selection framework, roadway safety, negative binomial crash frequency model, robust crash frequency model, various crash frequency models, inclement winter weather, crash frequency model, feature selection process, scale multivariate datasets, winter maintenance operations