Для выявления участков повышенной опасности на дорогах штата Массачусетс применяется метод кластеризации DBSCAN. Исследуются серьезные (то есть приведшие к летальному исходу или травмам) дорожно-транспортные происшествия (ДТП) с 2013 по 2018 годы. Алгоритм DBSCAN был также применен к набору равномерно распределенных по дорожной сети точек для определения порога в численности ДТП, после которого кластер можно считать статистически достоверным. Было произведено сравнение двух метрик расстояния: эвклидовой и сетевой. Показано, что обе метрики эквивалентны, если минимальное расстояние между отдельными ДТП в кластере не превышает 10 метров. Последний результат позволяет обосновать гибридный метод кластеризации, применимый для нахождения участков повышенной опасности на дорогах: для нахождения компактных кластеров можно использовать обычные эвклидовы расстояния между ДТП, а дорожную сеть использовать только для генерации равномерно распределенных по сети точек, нужных для выявления достоверных кластеров методом Монте-Карло. Гибридный метод позволяет обработать десятки тысяч ДТП, располагая сравнительно скромными вычислительными ресурсами. Анализ кластеров, выявленных на протяжении нескольких последовательных лет, позволяет сделать вывод об их стабильности и прогностической ценности. С. 45-57.

DBSCAN clustering method is applied to identify severe Traffic Accident (TA) hotpots on roads. The research examines severe TA, defined as those that led to human damage (injury or death), in the city of Newton, MA and in the entire state of Massachusetts, USA from 2013 to 2018. DBSCAN algorithm was also applied to network-constrained uniformly distributed over road network data to locate threshold in number of points per cluster so that all more populated clusters identified in real data can be treated as statistically significant. For DBSCAN algorithm two types of distance metrics, Euclidean and over Network, were compared. It is found that both distances are equivalent on scale of 10 meters, which justifies hybrid approach to clustering: using Network distance only to generate uniformly distributed points needed for Monte-Carlo simulations. All clustering can be performed using Euclidean distances which is much faster and more memory efficient. Subsequent years analysis demonstrates the extend that hotspots identified are stable and occur consecutively for several years and hence may possess predictive value.

В работе [1] найдены статистически значимые кластеры дорожно-транспортных происшествий (ДТП), которые можно интерпретировать как участки повышенной опасности ДТП (УПО). В данной работе, продолжающей исследования, проведенные в [1], рассмотрен простой способ обхода УПО при маршрутизации транспорта по критерию общей длины пути, заключающийся в том, что атрибуту длины каждой грани дорожного графа, ведущей к УПО, присваивается очень большое число, что делает эту грань практически непроходимой для алгоритма маршрутизации. Численные расчеты, для которых используется дорожная карта Спрингфилда (Массачусетс) и данные об УПО в Спрингфилде, показывают, что для маршрутов, чьи начальные и конечные пункты совпадают, маршрутизация с обходом УПО увеличивает протяженность маршрута относительно первоначальной, вычисленной без учета УПО. В пределе среднее отношение длин обоих маршрутов стремится для Спрингфилда к 1,04. Для проверки эффективности маршрутизации введен новый показатель — относительный риск ДТП, равный отношению числа ДТП вдоль маршрута, учитывающего УПО, к числу ДТП, подсчитанных вдоль исходного, построенного без учета УПО маршрута. Показано, что при использовании алгоритма обхода кластеров ДТП для маршрутов длиной более 4 км. средний относительный риск ДТП снижается на величину порядка 16 % при увеличении длины маршрута в среднем на 8 %. С. 5–18.

In [1] statistically significant clusters (hotspots) of severe Traffic Accidents (TA) are found. In this article, as a continuation of [1], a simple routing algorithm to avoid TA hotspots on a road network has been proposed («hotspot avoidance» path). If the road network is represented by a graph with edges and nodes, it is enough to mark every edge which lead to the TA hotspot as “not passable” by letting a attribute of the edge be a very large digit, much greater than max edge length for a given road graph — and the routing algorithm (Dijkstra or Bellman-Ford) will avoid the TA hotspot automatically. Computer simulation was performed for Springfield, MA. It is shown that for the same initial and end points of the route, an average ratio (Route avoiding TA length/Original route length) is bigger for shorter original (without taking into account TA hotspots) routes and gradually slows down to 1.04 for max original route length inside Springfield. Route length ratios show extra route length needed to avoid TA hotspots, but say nothing about new route safety. To estimate safety gain, a new Relative Risk Ratio RRR= (TAs along route which avoids TA hotspots/TAs along original route) was introduced. It is shown for Springfield that relatively short (less than 4 km) original routes are more dangerous (have more TAs along the «hotspot avoidance» route) than original ones, but for relatively long (> 4 km) original routes average RRR gets smaller by 16 % while modified path gets longer by 8 % in average.