QUT ha desarrollado un nuevo método de identificación de puntos negros que ofrece una predicción imparcial de los recuentos de accidentes y permite una forma más precisa de identificar sitios de accidentes de alto riesgo.
Amir Pooyan Afghari, de la Facultad de Ciencias e Ingeniería de QUT, dijo que el programa de puntos negros tenía como objetivo reducir los choques apuntando a ubicaciones de alto riesgo y financiando trabajos correctivos como realinear la geometría o ampliar el arcén de la carretera.
Sin embargo, Afghari dijo que los métodos actuales de identificación de puntos negros de choque no tuvieron en cuenta completamente las tres fuentes potenciales de factores que contribuyen al choque: características geométricas de la carretera, características espaciales del entorno circundante y factores de comportamiento del conductor, al determinar un nivel altositios de riesgo.
"En lugar de reconocer estas tres fuentes distintas de factores causales de choques, los métodos actuales de identificación de puntos negros se basan en la suposición fundamental de que los choques son el resultado de un único proceso generador de riesgo", dijo Afghari.
"La investigación ha demostrado que alrededor del 70 por ciento de los accidentes son causados por el comportamiento del conductor, mientras que otro 10 por ciento son el resultado de las características espaciales del entorno circundante, como las condiciones climáticas o la proximidad a las escuelas, lo que deja solo el 20 por ciento causadopor factores de ingeniería.
"Si las agencias de transporte están tratando los puntos negros con una solución de ingeniería cuando la causa predominante del accidente es un error del conductor o el medio ambiente, entonces esto puede conducir a un desperdicio de fondos públicos y la identificación errónea de verdaderos puntos negros".
Como parte del estudio del Sr. Afghari, los datos de accidentes de las carreteras controladas por el estado de Queensland se analizaron a través del modelo de identificación de puntos negros QUT conocido como el modelo de clase latente bayesiano.
"En lugar de considerar un solo riesgo de choque, el modelo QUT analizó múltiples procesos de riesgo de choque y el resultado fue la identificación de 321 recuentos de accidentes adicionales en los 20 principales sitios de alto riesgo", dijo.
"Por ejemplo, si un conductor entra en una curva a alta velocidad superior al límite de velocidad, luego golpea un canguro y luego comienza a llover, el método actual no reconoce individualmente los tres factores contribuyentes que causan el choque.
"El resultado final puede ser una solución de ingeniería que busca arreglar la condición del camino que no necesariamente remediará el factor ambiental o el comportamiento del conductor en este caso, el exceso de velocidad que condujo al choque".
"Lo que encontramos fue que la capacidad de predicción y la precisión de nuestro modelo y la capacidad general para detectar puntos negros de choque se mejoraron cuando se tuvieron en cuenta dos factores contribuyentes distintos, la geometría de la carretera y el medio ambiente".
Afghari dijo que el próximo paso del proyecto sería incorporar el tercer proceso de generación de riesgo - factores de comportamiento del conductor - en el modelado y observar más de cerca los 20 puntos negros más importantes de Queensland e identificar si eran puntos negros reales que podrían serarreglado con una solución de ingeniería vial.
"En última instancia, deseamos gastar los fondos públicos con prudencia en soluciones de ingeniería solo cuando se requiere una solución de ingeniería.
"Si el comportamiento del conductor o los factores ambientales son factores contribuyentes, entonces necesitamos gastar o desviar dinero a estrategias que aborden esos problemas"
La investigación del Sr. Afghari recibió reconocimiento internacional cuando fue seleccionada de entre más de 5000 artículos para recibir el premio de Papel Excepcional de las Academias Nacionales de Ciencias, Ingeniería y Medicina en los Estados Unidos.
El documento será publicado por el Registro de investigación de transporte diario
El modelo de identificación de puntos negros QUT fue desarrollado por Amir Pooyan Afghari, el Profesor Simon Washington, el Dr. Mazharul Haque y la Dra. Tanya Smyth y la investigación es apoyada por el programa de subvención Discovery del Consejo de Investigación Australiano ARC.
Fuente de la historia :
Materiales proporcionados por Universidad Tecnológica de Queensland . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :