Die Identifizierung ursächlicher Faktoren bei Verkehrsunfällen war immer eine bedeutende Herausforderung in der Verkehrssicherheitsforschung. Traditionelle Unfallvorhersagemodelle sind darin eingeschränkt, die zugrunde liegenden ursächlichen Mechanismen bei Verkehrsunfällen zu erläutern. Diese Forschung untersucht die Anwendung drei grafischer Modelle, nämlich des Gaußschen grafischen Modells (GGM), des ursächlichen Bayesschen Netzwerks (CBN) und des grafischen extremen Gradient Boosting (XGBoost), anhand einer Fallstudie mit Daten zu Straßen-Schienen-Kreuzungen (HRGC) und Kollisionen aus Kanada. Die drei Modellierungsansätze haben im Allgemeinen konsistente Ergebnisse zu verschiedenen Risikofaktoren wie der Art der Kreuzungssteuerung, dem Gleiswinkel und der Exposition geliefert, was ihr Potenzial zur Identifizierung kausaler Zusammenhänge durch die Interpretation von Ursgraphen zeigt. Mit der Fähigkeit, bessere kausale Schlüsse aus Unfalldaten zu ziehen, könnte die Wirksamkeit von Sicherheitsmaßnahmen genauer und zuverlässiger geschätzt werden.
Wang et al. (Mon,) untersuchten diese Frage.