संयुक्त राज्य अमेरिका में ट्रैफिक क्रैश की आवृत्ति और निर्धारकों के लिए स्थानिक विषमताओं के मॉडलिंग के लिए भौगोलिक रूप से भारित मशीन लर्निंग

ट्रैफिक क्रैश के स्थानिक विश्लेषण ने क्रैश डेटा में स्थानिक निर्भरता और स्थानिक विषमताओं की प्रकृति के कारण बहुत रुचि को आकर्षित किया है। यह अध्ययन संयुक्त राज्य अमेरिका में क्रैश आवृत्ति और विभिन्न प्रभावी कारकों के बीच स्थानीय संबंधों का पता लगाने के लिए भौगोलिक रूप से भारित रेंडम फॉरेस्ट (GW-RF) मॉडल का सर्वश्रेष्ठ उपयोग करता है, जिसमें सड़क नेटवर्क के गुण, सामाजिक-आर्थिकी विशेषताएँ और विभिन्न डेटा स्रोतों से एकत्रित भूमि उपयोग कारक शामिल हैं। विभिन्न भौगोलिक क्षेत्रों में किसी कारक के क्रैश आवृत्ति पर प्रभाव के स्थानिक विषमताओं को डेटा-संचालित तरीके से मॉडल करने पर विशेष जोर दिया गया है। GW-RF मॉडल वैश्विक मॉडलों (जैसे, रेंडम फॉरेस्ट) और पारंपरिक भौगोलिक रूप से भारित रिग्रेशन से बेहतर प्रदर्शन करता है, बेहतर पूर्वानुमान सटीकता प्रदर्शित करता है और स्थानिक भिन्नताओं को स्पष्ट करता है। GW-RF मॉडल कुछ कारकों के क्रैश आवृत्ति पर प्रभावों में स्थानिक भिन्नताओं को प्रकट करता है। उदाहरण के लिए, इंटरसेक्शन घनत्व का महत्व क्षेत्रों में उल्लेखनीय रूप से भिन्न होता है, जिसमें दक्षिणी और पूर्वोत्तर क्षेत्रों में उच्च महत्व होता है। निम्न-गुणवत्तापूर्ण सड़क घनत्व विशेष शहरों में प्रभावी दिखाई देता है। निष्कर्ष विभिन्न क्षेत्रों में क्रैश आवृत्ति को प्रभावित करने वाले विभिन्न कारकों के महत्व को उजागर करते हैं। सड़क नेटवर्क कारक, विशेष रूप से इंटरसेक्शन घनत्व, सामान्य रूप से उच्च महत्व प्रदर्शित करते हैं, जबकि सामाजिक-आर्थिकी चर मध्यम प्रभाव दिखाते हैं। दिलचस्प बात यह है कि भूमि उपयोग चर की अपेक्षाकृत कम महत्वपूर्णता है। ये परिणाम संसाधनों को आवंटित करने और क्रैश की संभावना को घटाने के लिए अनुकूलित हस्तक्षेप लागू करने में मदद कर सकते हैं।