Resumen

Este estudio pretende descubrir patrones ocultos y relaciones potenciales en los factores de riesgo de los datos de accidentes de camiones de mercancías. Los estudios existentes utilizan principalmente modelos paramétricos para analizar las causas de los accidentes de vehículos de carga. Sin embargo, se han citado como limitaciones los supuestos predeterminados y las relaciones subyacentes entre las variables independientes y dependientes. Para superar estas limitaciones y comprender mejor los factores que provocan las colisiones de camiones en las autopistas, aplicamos la técnica de minería de reglas de asociación (ARM), que es un método no paramétrico. La ARM cuantifica las interrelaciones entre los antecedentes y las consecuencias de las colisiones de camiones y proporciona a los investigadores el conjunto de factores más influyentes que provocan las colisiones. Para esta investigación, utilizamos datos de colisiones de vehículos de carga que consisten en 19.038 colisiones ocurridas en las autopistas coreanas entre 2008 y 2017. A partir de los datos, se generaron 90 951 reglas de asociación mediante ARM empleando el algoritmo Apriori. Los valores de elevación estimados por el algoritmo Apriori mostraron la fuerza de la asociación entre los factores de riesgo y, basándonos en los valores de elevación estimados, identificamos los factores clave que contribuyen a los accidentes que implican a camiones en varios tipos de segmentos, bajo diferentes condiciones climáticas, teniendo en cuenta la edad del conductor, el tipo de accidente, los fallos del conductor, el tamaño del vehículo y el tipo de geometría de la carretera. A partir de las reglas generadas, demostramos que el exceso de velocidad con camiones de peso medio estaba altamente asociado con los accidentes durante el tiempo lluvioso, mientras que la conducción somnolienta durante la noche estaba correlacionada con los accidentes durante el buen tiempo. Las colisiones relacionadas con los segmentos se asociaron principalmente con los fallos del conductor y la geometría de la calzada. Nuestros resultados presentan ideas y sugerencias útiles que pueden ser utilizadas por las partes interesadas en el transporte, incluidos los responsables políticos y los investigadores, para crear políticas pertinentes que ayuden a reducir las colisiones de camiones de mercancías en las autopistas.

• 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:accidentes, brazo, conductor, algoritmo apriori, valores de elevación, factores de riesgo, datos de accidentes de camiones de carga, factores clave que contribuyen a los accidentes, minería de reglas de asociación, diferentes condiciones meteorológicas
• Keywords:crashes, arm, driver, apriori algorithm, lift values, risk factors, freight truck crash data, key crash contributory factors, association rules mining, different weather conditions