Један приступ кластеровању саобраћајних незгода у урбаним срединама : докторска дисертација

Abstract

Ова теза предлаже нов приступ кластеровању саобраћајних незгода у урбаним срединама намењеном детектовању и селектовању критичних путних сегмената, тј., путних сегмената високог и просторно пролонгираног ризика за настанак саобраћајних незгода. Овај приступ полази од претпоставке да је свака саобраћајна незгода описана геопросторним координатама и временским тренутком у којем се десила, a намењен је за примену у условима ограничених људских и техничких ресурса. На нивоу спецификације, предложени алгоритам промовише стабилност резултата у времену и просторну колокацију незгода у различитим периодима, а санкционише величину селектованих кластера. На методолошком нивоу, овај алгоритам се разликује од других алгоритама који се примењују за кластеровање саобраћајних незгода по томе што се не заснива на тзв. густини опсервација, али испољава главне предности ових приступа: дозвољава кластере произвољног облика, не захтева априорно спецификовање броја кластера и искључује одступајуће опсервације. Коначно, приступ ће бити оцењен на корпусу који садржи јавно доступне податке о локацијама саобраћајних незгода са повређеним или погинулим лицима које су се десиле у трогодишњем периоду од јануара 2019. до децембра 2021. године у три највећа града у Републици Србији: Београду, Новом Саду и Нишу.

This thesis introduces a novel approach to traffic accident clustering in urban areas aimed at detecting and selecting critical road segments, i.e., road segments of spatially prolonged and high traffic accident risk. This approach assumes that a traffic accident is described by its positional coordinates and time of occurrence and is intended for application in circumstances of limited human or technical resources for traffic monitoring and management. At the specification level, the proposed algorithm promotes the stability of clustering results through time and inter-period accident spatial collocation, and penalize the size of selected clusters. At the methodological level, the proposed algorithm is not density-based, as are most other state-of-the-art clustering algorithms applied in the context of traffic accident analysis, but still keeps their main advantages: it allows for clusters of arbitrary shapes, does not require an apriori given number of clusters, and excludes noisy observations. Finally, the proposed approach is validated with respect to publicly available data on traffic accidents involving injury or death that occurred in three of the largest cities of Serbia (Beograd, Novi Sad and Niš) over a three-year period that runs from January 2019 to December 2021.