Methodology for identifying and ranking road traffic accident hotspots based on spatial analysis and program-targeted approach

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅存取

详细

The article proposes an enhancement of an information system for analyzing road traffic accident hotspots (RTAs), developed within the framework of a program-targeted approach and geoinformation technologies. The system’s architecture is described, including spatial analysis algorithms, methods for identifying and consolidating clusters, as well as mechanisms for formalized accident representation. Special attention is given to the implementation of accident hotspot prioritization based on risk factors, recommended measures, and the expected mitigation effect. Verification was conducted using real-world urban accident data. The proposed solution demonstrates the stability of the implemented algorithms and their applicability in digital transformation tasks related to transport infrastructure. Key directions for future development are outlined, including the integration of fuzzy logic, digital twins, and artificial intelligence modules.

作者简介

Nikolay Zagorodnikh

MIREA – Russian Technological University

编辑信件的主要联系方式.
Email: zagorodnikh@mirea.ru
ORCID iD: 0009-0001-1092-7518
SPIN 代码: 5689-7571
Scopus 作者 ID: 57572238600
Researcher ID: F-8619-2019

Cand. Sci. (Eng.), Associate Professor, associate professor, Department of Industrial Programming, Institute of Advanced Technologies and Industrial Programming

俄罗斯联邦, Moscow

Igor Konstantinov

Belgorod State Technological University named after V.G. Shukhov

Email: konstantinovi@mail.ru
ORCID iD: 0000-0002-8903-4690
SPIN 代码: 6666-1523
Scopus 作者 ID: 56426832100
Researcher ID: ABI-6473-2020

Dr. Sci. (Eng.), Professor, Institute of Information Technology and Control Systems

俄罗斯联邦, Belgorod

参考

  1. Bugaevsky L.M., Tsvetkov V.Ya. Geoinformation systems. Moscow: Zlatoust, 2000. 256 p.
  2. Zagorodnikh N.A. Information system for identifying traffic accident concentration centers: implementation results and development prospects. Management of Road Safety Activities. 2019. No. 1 (2). Pp. 183–187. (In Rus.)
  3. Zagorodnikh N.A. Mathematical modeling of road safety for vehicle drivers. Advances in Modern Science. 2015. No. 2. Pp. 31–36. (In Rus.)
  4. Zagorodnikh N.A. Methods for analyzing traffic accident sites: A comparative review of algorithms. Information Systems and Technologies. 2025. No. 2 (148). Pp. 108–116. (In Rus.)
  5. Zagorodnikh N.A., Nesov I.S. Analysis of world experience in the implementation and use of geoinformation technologies to ensure road safety. In: Information technologies and innovations in transport: collection of scientific papers of the 5th Int. scientific and practical conf. Orel: Orel State University named after I.S. Turgenev, 2020. Pp. 143–150.
  6. Zagorodnikh N.A., Novikov A.N. Software implementation of the algorithm for identifying accident-hazardous road sections. Transportation Research Procedia. 2018. No. 36. Pp. 817–825. (In Rus.). doi: 10.1016/j.trpro.2018.12.074.
  7. Zagorodnikh N.A., Semkin A.N. Main aspects of the universal model of digital transport infrastructure. World of Transport and Technological Machines. 2018. No. 2 (61). Pp. 116–123. (In Rus.)
  8. Kovalev S.S., Morozov D.D. Application of Getis-Ord Gi* statistics to identify accident hot spots in a metropolis. Urban Research. 2022. Vol. 8. No. 1. Pp. 27–35. (In Rus.)
  9. Chen H., Xie K., Wang J. A review of traffic crash prediction models using artificial intelligence algorithms. Journal of Advanced Transportation. 2018. No. 2018. Pp. 1–12. doi: 10.1155/2018/9360123.
  10. Geurts K., Wets G. Data mining for traffic accident analysis and road safety improvement. Transportation Research Record. 2005. No. 1922. Pp. 39–49. doi: 10.3141/1922-05.
  11. Hossain M., Muromachi Y. A Bayesian network based framework for real-time crash prediction on the urban expressway. Accident Analysis & Prevention. 2012. No. 45. Pp. 373–381. doi: 10.1016/j.aap.2011.08.001.
  12. Huang H., Abdel-Ati M. Multilevel Bayesian analysis of crash rates at signalized intersections. Transportation Research Record. 2010. No. 2148. Pp. 27–37. doi: 10.3141/2148-04.
  13. Lee H., Kim S. Identifying hotspots of influenza spread Using Getis-Ord Gi* statistics. Public Health Journal. 2020. No. 15. Pp. 78–85.
  14. Mitra S., Washington S. On the nature of over-dispersion in motor vehicle crash prediction models. Accident Analysis & Prevention. 2007. Vol. 39. No. 3. Pp. 459–468. doi: 10.1016/j.aap.2006.08.002.
  15. Molina J.C., Torres J.P., Roca J. Identification of traffic accident hotspots using kernel density estimation and cluster analysis. Transportation Research Procedia. 2020. No. 47. Pp. 167–174. doi: 10.1016/j.trpro.2020.03.081.
  16. Smith J., Johnson L. Using kernel density estimation for crime hotspot analysis. Journal of Criminal Justice. 2019. No. 47. Pp. 123–130.
  17. Wang Y., Li X. Machine learning approaches for urban traffic congestion prediction. Transportation Research Record. 2021. No. 2675. Pp. 567–575.
  18. Xie Z., Yan J. Kernel density estimation of traffic accidents in a network space. Computers, Environment and Urban Systems. 2008. Vol. 32. No. 5. Pp. 396–406. doi: 10.1016/j.compenvurbsys.2008.05.001.
  19. Zahran M., Kato H. Kernel density estimation for analyzing the spatial patterns of traffic accidents. Journal of Traffic and Transportation Engineering. 2016. No. 3 (4). Pp. 345–352.

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. System architecture

下载 (84KB)
索引源数据
3. Fig. 2. Algorithm for merging duplicate accident clusters

下载 (254KB)
索引源数据
4. Fig. 3. Physical database schema of the system

下载 (378KB)
索引源数据
5. Fig. 4. Use case diagram of the system

下载 (635KB)
索引源数据
6. Fig. 5. State and transition diagram “Map interaction”

下载 (296KB)
索引源数据
7. Fig. 6. State and transition diagram “Calculation panel”

下载 (450KB)
索引源数据
8. Fig. 7. State and transition diagram “Administrator panel”

下载 (357KB)
索引源数据
9. Fig. 8. List of mitigation measures interface

下载 (82KB)
索引源数据
10. Fig. 9. Reporting period creation interface

下载 (240KB)
索引源数据
11. Fig. 10. Coefficients matrix editor

下载 (99KB)
索引源数据
12. Fig. 11. Transition to accident cluster records

下载 (91KB)
索引源数据
13. Fig. 12. Linking accident clusters to reporting period

下载 (140KB)
索引源数据
14. Fig. 13. Accident cluster details form

下载 (274KB)
索引源数据
15. Fig. 14. Formalized accident cluster cards

下载 (100KB)
索引源数据
16. Fig. 15. Final elimination sequence of accident clusters

下载 (94KB)
索引源数据
17. Fig. 16. Examples of duplicate cluster situations at intersections

下载 (183KB)
索引源数据
18. Fig. 17. Results of the duplicate elimination algorithm

下载 (236KB)
索引源数据
19. Fig. 18. Result of the improved detection algorithm

下载 (87KB)
索引源数据


许可 URL: https://www.urvak.ru/contacts/

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».