Resumen

Los accidentes en pasos a nivel entre autopistas y vías férreas (HRGC) siguen siendo los principales causantes de accidentes ferroviarios en Estados Unidos y se han investigado intensamente en el pasado. Los modelos de minería de datos se centran en la predicción, mientras que los modelos lineales generales dominantes se centran en la adecuación del modelo y los datos. Los responsables de la toma de decisiones y los ingenieros de tráfico confían en los modelos de predicción para examinar la frecuencia de los accidentes a nivel y mejorar la seguridad. El modelo gradient boosting (GB) ha ganado popularidad en muchas áreas de investigación. En este estudio, para entender completamente el rendimiento del modelo en la predicción de accidentes en cruces a nivel de HRGC, se selecciona el modelo GB con el algoritmo de descenso de gradiente funcional para analizar los accidentes en cruces a nivel de autopista y ferrocarril (HRGC) e identificar los factores contribuyentes. Además, se genera la importancia de los contribuyentes y las relaciones de dependencia parcial para comprender mejor la relación entre los contribuyentes identificados y la probabilidad de colisión en los HRGC, con el fin de resolver los problemas de "caja negra" a los que se enfrentan la mayoría de los métodos de aprendizaje automático. Además, para demostrar plenamente el rendimiento de predicción del modelo, se lleva a cabo una evaluación exhaustiva del poder de predicción del modelo basada en seis mediciones, y el rendimiento de predicción del modelo GB se verifica y compara con un modelo de árbol de decisión como referencia debido a su popularidad y disponibilidad de datos comparables. Se demuestra que el modelo GB produce una mejor precisión de predicción y revela relaciones no lineales entre los contribuyentes y la probabilidad de colisión. En general, la probabilidad de colisión HRGC se ve afectada significativamente por varios factores de exposición al tráfico: el volumen de tráfico de la autopista, el volumen de tráfico ferroviario y la velocidad de viaje del tren, entre otros.

• 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:probabilidad de accidente hrgc, modelo gb, contribuyentes, modelo, rendimiento de predicción, rendimiento de predicción de accidentes hrgc, evaluación exhaustiva del poder de predicción del modelo, modelos lineales generales dominantes, algoritmo de descenso de gradiente funcional, la mayoría de los métodos de aprendizaje automático
• Keywords:hrgc crash likelihood, gb model, contributors, model, prediction performance, hrgc accident prediction performance, comprehensive model prediction power assessment, dominant general linear models, functional gradient descent algorithm, most machine learning methods