We want to be able to use information about the traffic flows at road junctions and covariates describing those junctions to predict the number of accidents occurring there. We develop here a Bayesian predictive approach. Initially we considered three simpler but related problems to assess the efficiency of some approximation techniques, namely: (I) Given a treatment with an effect that can be described mathematically as of a multiplicative form, we record Poisson countings before and after the treatment is applied. Then, given a new individual with a known counting before the treatment is used, we want to predict the outcome on that individual after the treatment is applied. (II) After observing the value on an individual before any treatment is applied, we decide, based on that value, which of two treatments to apply, and then register the post- treatment outcome. Given a new individual, with an observed value before he receives any treatment, we aim to derive the predictive distribution for the outcome after one of the treatments is used. (This problem is also considered when several possible treatments are available). (III) We compare the effects of two treatments, through a two-period crossover design. We assume that both the treatment effect and the period effect are of multiplicative forms. Estimative and approximation methods are developed for each of these problems. We use the Gibbs sampling approach, normal asymptotic approximations for the posterior distributions and the Laplace approximations. Examples are presented to compare the efficiency and performance of the different methods. We find that the Laplace method performs well, and has computational advantages over the other methods. Using the knowledge obtained solving these simpler problems we develop solutions for the traffic accidents problem and analyse a real data set. Stepwise procedures for the incorporation of the covariates through the use of Kullback-Leibler measure of divergence are developed. We also consider the three simpler problems assuming that the observations are exponentially and binomially distributed.

Traffic safety at intersections is a particularly difficult phenomenon to study, given the fact that accidents occur randomly in time and space thereby making short-term measurement, assessment and comparison difficult. The EU directive 2008/96/EC introduced road infrastructure safety management, which offers a five layer structure for developing safer road infrastructure has been used to develop tools for accident prediction and black spot management analysis which has been applied in this work to assess the safety level of intersections in Norrköping city in Sweden. Accident data history from STRADA (Swedish Traffic Accident Data Acquisition) and the network demand model for Norrköping city were used to model black spots and predict the expected number of accidents at intersections using PTV Visum Safety tool, after STRADA accident classification was restructured and the Swedish accident prediction model (APM) was configured and tested to work within the tool using the model from the Swedish road administration (SRA). The performance of the default (Swiss) and the Swedish APM was compared and identified locations with the high accident records, predicted accident counts and traffic volumes were audited using qualitative assessment checklist from Street-Audit tool. The results from these methods were analysed, validated and compared. This work provides recommendations on the used quantitative and qualitative methods to prevent accident occurrence at the identified locations.

Esta dissertação se baseia na exploração de técnicas para modelagem de óbitos provenientes de acidentes por automóvel no estado de São Paulo. A análise foi agregada por área, e utilizou a razão de óbitos por população, por área e por fluxo veicular como variáveis dependentes e as variáveis independentes foram características socioeconômicas, área, frota de veículos, IDHM, fluxo veicular anual e distâncias entre microrregiões. Os dados do ano 2000 foram utilizados na calibração e dados de 2010 na validação dos modelos, com a técnica de mineração de dados (algoritmos de Árvore de Decisão - AD: CART - Classification And Regression Tree e CHAID - Chi-squared Automatic Interaction Detection) e Regressão Linear Múltipla (RLM) para fins comparativos com os modelos de AD. A partir dos resultados verifica-se que a RLM foi a técnica que obteve melhores erro médio, erro médio absoluto e coeficiente de correlação, e o algoritmo CART da AD o menor erro médio normalizado. Ao comparar as taxas de óbitos, a relação por área apresentou melhor erro médio e coeficiente de correlação, já a relação por população obteve menor erro médio normalizado e erro médio absoluto. Vale ressaltar que os algoritmos de AD são técnicas adequadas para classificação de áreas segundo faixas de valores de variáveis explicativas e valores médios da variável objeto de estudo. Além disso, tais técnicas são mais flexíveis em relação a alguns pressupostos de modelos de regressão. Dessa forma, a principal contribuição deste trabalho consiste na exploração de tais algoritmos para previsão de acidentes e classificação de regiões. / This dissertation is based on techniques exploration for modeling of deaths from automobile accidents on the state of São Paulo. The analysis was aggregated by area, and used the ratio of deaths per population, by area and by vehicle flow as dependent variables and the independent variables were socioeconomic characteristics, area, vehicle fleet, Municipal Human Development Index (MHDI), annual vehicle flow and distances between micro-regions. The 2000 data were used for calibration and 2010 data to validate the models with data mining technique (decision tree - DT algorithms: CART - Classification And Regression Tree and CHAID - Chi-squared Automatic Interaction Detection) and Multiple Linear Regression (MLR) for comparative purposes with the DT models. From the results it appears that the RLM was the technique that achieved better mean error, mean absolute error and correlation coefficient values, while the CART algorithm presented the lowest value of mean normalized error. When comparing death rates, a relation by area showed better mean error and correlation coefficient values, as the ratio by population had lower mean normalized error and mean absolute error values. It is noteworthy that the DT algorithms are suitable techniques for classification of areas in accordance with explanatory variables of value ranges and average values of the variable object of study. Furthermore, such techniques are more flexible compared to some assumptions regression models. Thus, the main contribution of this study is the exploration of such algorithms for prediction of accidents and regions classification.

Esta dissertação se baseia na exploração de técnicas para modelagem de óbitos provenientes de acidentes por automóvel no estado de São Paulo. A análise foi agregada por área, e utilizou a razão de óbitos por população, por área e por fluxo veicular como variáveis dependentes e as variáveis independentes foram características socioeconômicas, área, frota de veículos, IDHM, fluxo veicular anual e distâncias entre microrregiões. Os dados do ano 2000 foram utilizados na calibração e dados de 2010 na validação dos modelos, com a técnica de mineração de dados (algoritmos de Árvore de Decisão - AD: CART - Classification And Regression Tree e CHAID - Chi-squared Automatic Interaction Detection) e Regressão Linear Múltipla (RLM) para fins comparativos com os modelos de AD. A partir dos resultados verifica-se que a RLM foi a técnica que obteve melhores erro médio, erro médio absoluto e coeficiente de correlação, e o algoritmo CART da AD o menor erro médio normalizado. Ao comparar as taxas de óbitos, a relação por área apresentou melhor erro médio e coeficiente de correlação, já a relação por população obteve menor erro médio normalizado e erro médio absoluto. Vale ressaltar que os algoritmos de AD são técnicas adequadas para classificação de áreas segundo faixas de valores de variáveis explicativas e valores médios da variável objeto de estudo. Além disso, tais técnicas são mais flexíveis em relação a alguns pressupostos de modelos de regressão. Dessa forma, a principal contribuição deste trabalho consiste na exploração de tais algoritmos para previsão de acidentes e classificação de regiões. / This dissertation is based on techniques exploration for modeling of deaths from automobile accidents on the state of São Paulo. The analysis was aggregated by area, and used the ratio of deaths per population, by area and by vehicle flow as dependent variables and the independent variables were socioeconomic characteristics, area, vehicle fleet, Municipal Human Development Index (MHDI), annual vehicle flow and distances between micro-regions. The 2000 data were used for calibration and 2010 data to validate the models with data mining technique (decision tree - DT algorithms: CART - Classification And Regression Tree and CHAID - Chi-squared Automatic Interaction Detection) and Multiple Linear Regression (MLR) for comparative purposes with the DT models. From the results it appears that the RLM was the technique that achieved better mean error, mean absolute error and correlation coefficient values, while the CART algorithm presented the lowest value of mean normalized error. When comparing death rates, a relation by area showed better mean error and correlation coefficient values, as the ratio by population had lower mean normalized error and mean absolute error values. It is noteworthy that the DT algorithms are suitable techniques for classification of areas in accordance with explanatory variables of value ranges and average values of the variable object of study. Furthermore, such techniques are more flexible compared to some assumptions regression models. Thus, the main contribution of this study is the exploration of such algorithms for prediction of accidents and regions classification.

Este trabalho apresenta um modelo de previsão de acidentes com a participação de motocicletas que foi desenvolvido a partir do método da análise de regressão estatística adaptado às particularidades técnicas das rodovias do Estado do Rio Grande do Sul. O objetivo do trabalho é gerar uma ferramenta que possibilite prever o número de acidentes a partir da combinação do nível de exposição veicular associada com os prováveis fatores de risco deste peculiar ambiente. Com esta finalidade, é confrontado o número de acidentes observados com relação às características técnicas das rodovias investigadas com o intuito de avaliar os fatores de risco. Nove variáveis de controle representando atributos físicos, funcionais, econômicos e legais das rodovias foram analisadas sob diversos parâmetros tais como: largura da plataforma, sinuosidade; inclinação, intersecções, condição do pavimento, tráfego de veículos, tráfego de caminhões, urbanização e dispositivos de controle de tráfego. A aplicação do método estatístico permite classificar as rodovias mais importantes quanto ao nível de acidentes; identificar, mensurar e avaliar os fatores de risco; estimar a probabilidade média para a realização do evento sinistro e simular, em nível de projeto, a ocorrência futura de acidentes. Uma vez processado, o modelo obteve um fator de explicação (R2) para os dados em torno de 96%. As variáveis de controle que apresentaram maior efeito na variável de resposta foram obtidas através do tráfego de veículos seguido da largura da plataforma da rodovia. Após a análise do modelo, as rodovias com maior fator de propensão para acidentes foram a ERS734 sendo seguida pela ERS118 e ERS130. Os resultados que foram obtidos indicaram que a frota de motocicletas do Estado do Rio Grande do Sul - Brasil apresenta um risco de envolvimento em acidentes duas vezes maior que aquela incorrida pela frota dos Estados Unido e três vezes maior que aquela apresentada pela frota do Reino Unido. / This article presents an accident prediction model with the participation of motorcycles, developed by statistical regression analysis adapted to the technical peculiarities of the roads of the state of Rio Grande do Sul, Brazil. The aim of the model is to generate a tool to allow predicting the number of accidents based on the combination of vehicle exposure level with possible risk factors. The number of accidents observed is compared with road technical characteristics, aiming at evaluating risk factors. Nine control variables, representing physical, functional, economical and legal road attributes, were analyzed as to different parameters, such as platform width; sinuosity; inclination; junctions ; pavement condition; vehicle traffic; truck traffic; urbanization; and traffic control devices. The application of the statistical method allows the classification of the most important roads in terms of accident level; to identify, measure, and evaluate risk factors; to estimate mean accident probability; and to simulate, at project level, the future occurrence of accidents. Once processed, the model obtained an explanation factor (R2) for the data around 96%. Vehicle traffic, followed by highway platform width had the highest effect on the response variable. After being analyzed by the model, ERS734, followed by ERS118, and ERS130 presented the highest accident probability factor. The results obtained indicated that the risk of motorcycles being involved in accidents in the state of Rio Grande do Sul is twice as high as in the USA, and three times higher than in the United Kingdom.

<p>As one of the highest fatalities causes, traffic accidents and collisions always requires a large amounteffort to be reduced or prevented from occur. Traffic safety management routines therefore always needefficient and effective implementation due to the variations of traffic, especially from trafficengineering point of view apart from driver education.Traffic Accident Prediction Model, considered as one of the handy tool of traffic safety management,has become of well followed with interested. Although it is believed that traffic accidents are mostlycaused by human factors, these accident prediction models would help from traffic engineering point ofview to enlarge the traffic safety level of road segments. This thesis is aiming for providing a guidelineof the accident prediction model implementation in traffic safety management, regarding to trafficengineering field. Discussion about how this prediction models should merge into the existing routinesand how well these models would perform would be given. As well, cost benefit analysis of theimplementation would be at the end of this thesis. Meanwhile, a practical field study would bepresented in order to show the procedures of the implementation of traffic accident prediction model.The field study is about this commercial model set SafeNET, from TRL Limited UK, implemented inRoad Safety Audit procedures combined with microscopic simulation tool. Detailed processing andinput and output data will be given accompany with the countermeasures for accident frequencyreduction finalization.</p>

As one of the highest fatalities causes, traffic accidents and collisions always requires a large amounteffort to be reduced or prevented from occur. Traffic safety management routines therefore always needefficient and effective implementation due to the variations of traffic, especially from trafficengineering point of view apart from driver education.Traffic Accident Prediction Model, considered as one of the handy tool of traffic safety management,has become of well followed with interested. Although it is believed that traffic accidents are mostlycaused by human factors, these accident prediction models would help from traffic engineering point ofview to enlarge the traffic safety level of road segments. This thesis is aiming for providing a guidelineof the accident prediction model implementation in traffic safety management, regarding to trafficengineering field. Discussion about how this prediction models should merge into the existing routinesand how well these models would perform would be given. As well, cost benefit analysis of theimplementation would be at the end of this thesis. Meanwhile, a practical field study would bepresented in order to show the procedures of the implementation of traffic accident prediction model.The field study is about this commercial model set SafeNET, from TRL Limited UK, implemented inRoad Safety Audit procedures combined with microscopic simulation tool. Detailed processing andinput and output data will be given accompany with the countermeasures for accident frequencyreduction finalization.

A ampliação acelerada da demanda por transporte, mais especificamente pelo transporte rodoviário, tem provocado um aumento expressivo no número de acidentes de trânsito nesse ambiente. Consequentemente, a redução dos acidentes de trânsito tem sido um grande desafio para os pesquisadores e gestores da área rodoviária. Porém, os acidentes de trânsito são eventos complexos se considerados os diversos fatores que podem influenciá-los. Dentro desse contexto esta dissertação apresenta um estudo de modelos de previsão de acidentes, que podem ser utilizados para a avaliação do potencial de segurança em determinados locais, identificação e classificação de localidades perigosas ou com propensão a acidentes e avaliação da eficácia de medidas de melhoria da segurança. Nessa dissertação é apresentado um levantamento teórico e metodológico dos modelos de previsão de acidentes, identificando as principais variáveis adotadas bem como as técnicas utilizadas. Para cada modelo revisado foram verificadas as principais diferenças e limitações, e ainda, a análise das variáveis mais influentes presentes nesses modelos. Após, é feita uma comparação de duas abordagens distintas para estimar modelos de previsão de acidentes. A primeira consiste em estimar a ocorrência de acidentes em segmentos da via com as mudanças de características dos elementos de infraestrutura. O segundo relaciona a frequência de acidentes para um único elemento de infraestrutura da via, chamado na literatura internacional de entidade (ex: interseção, curva, tangente, etc.), com base apenas na variável relacionada ao volume de tráfego. O estudo baseado na comparação dessas duas abordagens para a previsão de acidentes revelou que a utilização do volume de tráfego como única variável independente apresenta resultados semelhantes ou até melhores que os modelos baseados em diversos elementos de infraestrutura da rodovia. / The enlargement and the accelerated development of transportation systems, more specifically the land system, have caused the number of road accidents to increase significantly. Therefore, the reduction of road accidents has been a great challenge for researchers and managers in the field of land transportation. However, considering the various factors that may influence them, road accidents are complex events. In this context, this paper presents a study of accident prediction models that can be used to assess the safety potential in certain locations, identify and rank dangerous locations or areas prone to accidents and evaluate the effectiveness of safety improvement measures. Initially, a theoretical and methodological review of accident prediction models is presented, and both the main variables adopted and the methodologies employed are identified. The main differences between all models reviewed and their limitations are presented, and the most influential variables are analyzed. In a second moment, a comparison of two different accident prediction methods is performed. The first method consists in estimating the occurrence of accidents in road sections with changes in the characteristics of infrastructure elements. The second one relates the frequency of accidents based on a single infrastructure element (intersection, curve, tangent, etc.) based on traffic volume only. The study based on the comparison of these two methods found that the use of traffic volume as the only independent variable yields similar or even better results than the models based on various road infrastructure elements.

Este trabalho apresenta um modelo de previsão de acidentes com a participação de motocicletas que foi desenvolvido a partir do método da análise de regressão estatística adaptado às particularidades técnicas das rodovias do Estado do Rio Grande do Sul. O objetivo do trabalho é gerar uma ferramenta que possibilite prever o número de acidentes a partir da combinação do nível de exposição veicular associada com os prováveis fatores de risco deste peculiar ambiente. Com esta finalidade, é confrontado o número de acidentes observados com relação às características técnicas das rodovias investigadas com o intuito de avaliar os fatores de risco. Nove variáveis de controle representando atributos físicos, funcionais, econômicos e legais das rodovias foram analisadas sob diversos parâmetros tais como: largura da plataforma, sinuosidade; inclinação, intersecções, condição do pavimento, tráfego de veículos, tráfego de caminhões, urbanização e dispositivos de controle de tráfego. A aplicação do método estatístico permite classificar as rodovias mais importantes quanto ao nível de acidentes; identificar, mensurar e avaliar os fatores de risco; estimar a probabilidade média para a realização do evento sinistro e simular, em nível de projeto, a ocorrência futura de acidentes. Uma vez processado, o modelo obteve um fator de explicação (R2) para os dados em torno de 96%. As variáveis de controle que apresentaram maior efeito na variável de resposta foram obtidas através do tráfego de veículos seguido da largura da plataforma da rodovia. Após a análise do modelo, as rodovias com maior fator de propensão para acidentes foram a ERS734 sendo seguida pela ERS118 e ERS130. Os resultados que foram obtidos indicaram que a frota de motocicletas do Estado do Rio Grande do Sul - Brasil apresenta um risco de envolvimento em acidentes duas vezes maior que aquela incorrida pela frota dos Estados Unido e três vezes maior que aquela apresentada pela frota do Reino Unido. / This article presents an accident prediction model with the participation of motorcycles, developed by statistical regression analysis adapted to the technical peculiarities of the roads of the state of Rio Grande do Sul, Brazil. The aim of the model is to generate a tool to allow predicting the number of accidents based on the combination of vehicle exposure level with possible risk factors. The number of accidents observed is compared with road technical characteristics, aiming at evaluating risk factors. Nine control variables, representing physical, functional, economical and legal road attributes, were analyzed as to different parameters, such as platform width; sinuosity; inclination; junctions ; pavement condition; vehicle traffic; truck traffic; urbanization; and traffic control devices. The application of the statistical method allows the classification of the most important roads in terms of accident level; to identify, measure, and evaluate risk factors; to estimate mean accident probability; and to simulate, at project level, the future occurrence of accidents. Once processed, the model obtained an explanation factor (R2) for the data around 96%. Vehicle traffic, followed by highway platform width had the highest effect on the response variable. After being analyzed by the model, ERS734, followed by ERS118, and ERS130 presented the highest accident probability factor. The results obtained indicated that the risk of motorcycles being involved in accidents in the state of Rio Grande do Sul is twice as high as in the USA, and three times higher than in the United Kingdom.

Este trabalho apresenta um modelo de previsão de acidentes com a participação de motocicletas que foi desenvolvido a partir do método da análise de regressão estatística adaptado às particularidades técnicas das rodovias do Estado do Rio Grande do Sul. O objetivo do trabalho é gerar uma ferramenta que possibilite prever o número de acidentes a partir da combinação do nível de exposição veicular associada com os prováveis fatores de risco deste peculiar ambiente. Com esta finalidade, é confrontado o número de acidentes observados com relação às características técnicas das rodovias investigadas com o intuito de avaliar os fatores de risco. Nove variáveis de controle representando atributos físicos, funcionais, econômicos e legais das rodovias foram analisadas sob diversos parâmetros tais como: largura da plataforma, sinuosidade; inclinação, intersecções, condição do pavimento, tráfego de veículos, tráfego de caminhões, urbanização e dispositivos de controle de tráfego. A aplicação do método estatístico permite classificar as rodovias mais importantes quanto ao nível de acidentes; identificar, mensurar e avaliar os fatores de risco; estimar a probabilidade média para a realização do evento sinistro e simular, em nível de projeto, a ocorrência futura de acidentes. Uma vez processado, o modelo obteve um fator de explicação (R2) para os dados em torno de 96%. As variáveis de controle que apresentaram maior efeito na variável de resposta foram obtidas através do tráfego de veículos seguido da largura da plataforma da rodovia. Após a análise do modelo, as rodovias com maior fator de propensão para acidentes foram a ERS734 sendo seguida pela ERS118 e ERS130. Os resultados que foram obtidos indicaram que a frota de motocicletas do Estado do Rio Grande do Sul - Brasil apresenta um risco de envolvimento em acidentes duas vezes maior que aquela incorrida pela frota dos Estados Unido e três vezes maior que aquela apresentada pela frota do Reino Unido. / This article presents an accident prediction model with the participation of motorcycles, developed by statistical regression analysis adapted to the technical peculiarities of the roads of the state of Rio Grande do Sul, Brazil. The aim of the model is to generate a tool to allow predicting the number of accidents based on the combination of vehicle exposure level with possible risk factors. The number of accidents observed is compared with road technical characteristics, aiming at evaluating risk factors. Nine control variables, representing physical, functional, economical and legal road attributes, were analyzed as to different parameters, such as platform width; sinuosity; inclination; junctions ; pavement condition; vehicle traffic; truck traffic; urbanization; and traffic control devices. The application of the statistical method allows the classification of the most important roads in terms of accident level; to identify, measure, and evaluate risk factors; to estimate mean accident probability; and to simulate, at project level, the future occurrence of accidents. Once processed, the model obtained an explanation factor (R2) for the data around 96%. Vehicle traffic, followed by highway platform width had the highest effect on the response variable. After being analyzed by the model, ERS734, followed by ERS118, and ERS130 presented the highest accident probability factor. The results obtained indicated that the risk of motorcycles being involved in accidents in the state of Rio Grande do Sul is twice as high as in the USA, and three times higher than in the United Kingdom.