Μια συγκριτική στατιστική ανάλυση της διάρκειας οδικών συμβάντων σε αστικούς αυτοκινητόδρομους

Abstract

Τα τροχαία ατυχήματα είναι μια απ’ τις κυριότερες αιτίες πρόκλησης κυκλοφοριακής συμφόρησης σε αστικούς αυτοκινητοδρόμους με αποτέλεσμα την δημιουργία ουρών και σημαντικών καθυστερήσεων για τους χρήστες της οδού. Προκύπτει έτσι, η ανάγκη αποτελεσματικής διαχείρισης των οδικών συμβάντων, απαραίτητο στοιχείο για την οποία, είναι η ανάλυση και ο προσδιορισμός των κυκλοφοριακών παραμέτρων που επηρεάζουν τη χρονική τους διάρκεια, βασικό αντικείμενο της παρούσας διπλωματικής εργασίας. Για το σκοπό αυτό, δημιουργήθηκαν δύο μοντέλα πρόβλεψης της διάρκειας οδικών συμβάντων: ένα με τη μέθοδο της γραμμικής παλινδρόμησης και ένα με χρήση ανάλυσης επιβίωσης και συγκεκριμένα με το μοντέλο αναλογικών κινδύνων του Cox. Από την ανάλυση που πραγματοποιήθηκε προέκυψε το συμπέρασμα ότι και τα δυο μοντέλα μπορούν να προβλέψουν με επιτυχία τη διάρκεια οδικών συμβάντων. Συνολικά θεωρήθηκε καταλληλότερη η μέθοδος της γραμμικής παλινδρόμησης, ως ισοδύναμα αποτελεσματική με τη μέθοδο του μοντέλου επιβίωσης, αλλά απλούστερη τόσο ως προς τις διαδικασίες εφαρμογής, όσο και ως προς την ερμηνεία των αποτελεσμάτων.

Traffic accidents are one of the main causes of traffic congestion in urban motorways, resulting in the formation of queues and considerable delays for road users. This leads to the need for effective management of road incidents, a necessary element of which is the analysis and determination of traffic parameters affecting their duration. The identification of these parameters is the main objective of the present graduation thesis. For that purpose, two forecasting models of incident duration were developed: one with the method of linear regression and one with the use of Cox’s proportional hazard model (survival model). From the analysis was indicated that both models can successfully predict the duration of road incidents. Overall more appropriate was considered the method of linear regression, as being equally effective with the survival model method, while simpler in both, its application procedures and interpretation of results.