SWOV Catalogus

322224

Profiling high frequency accident locations using associations rules.
20041276 ST [electronic version only]
Geurts, K. Wets, G. Brijs, T. & Vanhoof, K.
Diepenbeek, Steunpunt Verkeersveiligheid bij Stijgende Mobiliteit, 2002, 22 p., 13 ref.; Rapportnummer RA-2002-02

Samenvatting In Belgium, traffic safety is currently one of the government’s highest priorities. Identifying and profiling black spots and black zones in terms of accident related data and location characteristics must provide new insights into the complexity and causes of road accidents which, in turn, provide valuable input for government actions. In this paper, association rules are used to identify accident circumstances that frequently occur together at high frequency accident locations. Furthermore, these patterns are analysed and compared with frequently occurring accident characteristics at low frequency accident locations. The strength of this approach lies within the identification of relevant variables that make a strong contribution towards a better understanding of accident circumstances and the discerning of descriptive accident patterns from more discriminating accident circumstances to profile black spots and black zones. The use of this data mining algorithm is particularly useful in the context of large datasets on road accidents, since data mining can be described as the extraction of information from large amounts of data. Results show that human and behavioural aspects are of great importance when analysing frequently occurring accident patterns. These factors play an important role in identifying traffic safety problems in general. However, the most discriminating accident characteristics between high frequency accident locations and low frequency accident locations are mainly related to infrastructure and location characteristics. (Author/publisher) Nederlandse samenvatting: In België behoort verkeersveiligheid momenteel tot een van de belangrijkste prioriteiten van de regering. Het identificeren en profileren van zwarte punten en zwarte zones in termen van ongevallendata en locatie kenmerken moet dan ook nieuwe inzichten bieden in de complexiteit en oorzaken van verkeersongevallen. Deze inzichten moeten vervolgens een waardevolle input zijn voor beleidsacties ten behoeve van de verkeersveiligheid. In deze paper worden associatieregels gebruikt om ongevalomstandigheden te identificeren die vaak samen voorkomen op locaties met een hoge ongevallenfrequentie. Vervolgens worden deze patronen geanalyseerd en vergeleken met vaak voorkomende patronen op locaties met een lage ongevallenfrequentie. De sterkte van deze benadering ligt in de identificatie van de relevante variabelen die een belangrijke bijdrage leveren in het begrijpen van ongevallen en hun omstandigheden en in het onderscheiden van beschrijvende ongevalpatronen van de ongevalpatronen die discriminerend zijn voor hoge en lage ongevallenfrequentie locaties om op die manier zwarte punten en zwarte zones te profileren. Het gebruik van dit data mining algoritme is vooral nuttig in de context van grote datasets van verkeersongevallen gezien dat data mining omschreven kan worden als de extractie van informatie uit grote hoeveelheden data. Resultaten tonen aan dat het menselijk aspect en gedrag van groot belang zijn wanneer we frequent voorkomende ongevalpatronen analyseren. Deze factoren spelen ook een belangrijke rol in het identificeren van verkeersveiligheidsproblemen in het algemeen. Maar de meest discriminerende ongevalkarakteristieken tussen hoge en lage ongevallenfrequentie locaties zijn vooral gerelateerd aan infrastructuur en locatie kenmerken. (Author/publisher) The report is available at: http://www.steunpuntverkeersveiligheid.be/nl/nl/modules/publications/store/9.pdf
Full-text
Dossier
Suggestie? Neem contact op met de SWOV bibliotheek voor uw opmerkingen
Copyright © SWOV | Juridisch voorbehoud | Contact