MARC

 008260311s2025        us                                    eng  d
■001000017361235
■00520260311091547.5
■006m          o    d                
■007cr|nu||||||||
■020    ▼a9798270232641
■040    ▼aMiAaPQD▼beng▼cMiAaPQD▼erda
■082    ▼a519.72
■1001  ▼aHasan,  Manar▼eauthor.
■24510▼aCrash  Modification  Factors,  Predictive  Hotspot  Identification,  and  Treatment  Selection  in  Texas  and  Peer  States  ▼cManar  Hasan
■260    ▼a[Sl]▼bThe  University  of  Texas  at  Austin▼c2025
■264  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a1  electronic  resource  (283  pages)
■336    ▼atext▼btxt▼2rdacontent
■337    ▼acomputer▼bc▼2rdamedia
■338    ▼aonline  resource▼bcr▼2rdacarrier
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  A.
■500    ▼aAdvisors:  Machemehl,  Randy  B.    Committee  members:  Bhasin,  Amit;  Boyles,  Stephen;  Jiao,  Junfeng.
■5021  ▼bPh.D.▼cThe  University  of  Texas  at  Austin▼d2025.
■520    ▼aSafety  is  crucial  in  transportation,  with  huge  human  and  property  costs  associated  with  every  crash.  Proactive  data-driven  decision-making  is  key  in  determining  safety  treatments  that  will  have  maximum  positive  impact.  Traditional  processes  rely  on  historical  crash  data,  generalized  Crash  Modification  Factors  (CMFs),  and  reactive  interventions,  often  limiting  their  effectiveness.  This  dissertation  addresses  three  challenges  in  safety  decision-making:  (1)  assessing  the  reliability  of  currently  used  CMFs  in  estimating  crash  reductions,  (2)  identifying  future  high-risk  crash  locations,  and  (3)  analytically  performing  treatment  selection  to  maximize  safety  benefits.                        First,  this  dissertation  evaluates  the  accuracy  of  CMFs  currently  used  by  transportation  agencies  by  comparing  expected  crash  reductions  with  observed  outcomes.  The  findings  reveal  that  some  CMFs  closely  align  with  real-world  crash  data,  while  others,  may  overestimate  or  underestimate  safety  benefits.  Also,  CMFs  can  vary  significantly  for  different  crash  severity  levels,  so  jurisdictions  that  use  one  generalized  value  are  inaccurately  estimating  safety  treatment  effects.                        Second,  the  dissertation  performs  predictive  hotspot  identification,  leveraging  Poisson  and  Random  Forest  models  to  forecast  crash-prone  locations.  The  models  demonstrate  good  predictive  performance,  with  traffic  volume  (ADT),  traffic  factors  (peak  hour  factor,  directional  factor),  speed  limits,  and  surface  width  emerging  as  key  factors  influencing  crash  risk.  The  results  suggest  that  integrating  statistical  and  machine  learning  analyses  into  safety  planning  can  aid  proactive  crash  prevention,  shifting  from  traditional  reactive  approaches.                        Finally,  the  dissertation  proposes  a  quantitative,  data-driven  framework  for  treatment  selection.  Using  propensity  score  matching  (PSM)  and  predictive  modeling  with  many  models  (Difference-in-Differences,  Linear  Regression,  Random  Forest,  Gradient  Boosting,  Poisson,  Negative  Binomial,  XGBoost,  SVR,  and  Neural  Network),  the  research  evaluates  treatment  effectiveness  across  different  roadway  conditions  and  treatments.  The  findings  highlight  models  that  performed  better  than  others  (Poisson,  Negative  Binomial,  Gradient  Boosting,  Random  Forest,  and  XGBoost),  and  also  some  conditions  which  make  certain  treatments  more  effective.                        This  research  contributes  to  the  field  of  transportation  safety  by  integrating  traditional  statistical  methods  with  modern  predictive  analytics,  providing  a  comprehensive,  proactive  approach  to  roadway  safety  decision-making.
■546    ▼aEnglish
■590    ▼aSchool  code:  0227
■650  4▼aStatistics
■650  4▼aTransportation
■650  4▼aInformation  science
■653    ▼aCrash  Modification  Factors
■653    ▼aTraffic  volume
■653    ▼aPropensity  score  matching
■653    ▼aPredictive  hotspot  identification
■7102  ▼aThe  University  of  Texas  at  Austin▼bCivil,  Architectural,  and  Environmental  Engineering.▼edegree  granting  institution.
■7201  ▼aMachemehl,  Randy  B.▼edegree  supervisor.
■7730  ▼tDissertations  Abstracts  International▼g87-06A.
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361235▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books