Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Andrade, Michelle | - |
Autor(es): dc.contributor | philippe1303@hotmail.com | - |
Autor(es): dc.creator | Silva, Philippe Barbosa | - |
Data de aceite: dc.date.accessioned | 2024-07-22T11:33:03Z | - |
Data de disponibilização: dc.date.available | 2024-07-22T11:33:03Z | - |
Data de envio: dc.date.issued | 2020-06-25 | - |
Data de envio: dc.date.issued | 2020-06-25 | - |
Data de envio: dc.date.issued | 2020-06-25 | - |
Data de envio: dc.date.issued | 2019-12-05 | - |
Fonte completa do material: dc.identifier | https://repositorio.unb.br/handle/10482/38140 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/783137 | - |
Descrição: dc.description | Tese (doutorado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2019. | - |
Descrição: dc.description | A modelagem da segurança viária é uma importante estratégia para o gerenciamento da segurança viária (GSV). O desenvolvimento de modelos de resposta multivariada (consideração simultânea de ocorrência de acidentes de diferentes níveis de severidade) também tem grande utilidade e carece de exploração. Um desafio inicial na previsão de frequência de acidentes é a estratégia de segmentação da rodovia, especialmente quanto a extensão do segmento. Em relação a abordagem metodológica, técnicas de aprendizado de máquina (AM), especialmente redes neurais artificiais (RNA), são apresentadas como potencial alternativa. Diante disso, o estudo desenvolvido buscou avaliar o potencial de utilização de técnicas de AM para o desenvolvimento de modelos de previsão de frequência de acidentes segundo três níveis de severidade, e ainda, avaliar a influência da extensão do segmento no desenvolvimento deste tipo de modelo. O trecho de rodovia de pista dupla analisado foi segmentado em 10 diferentes extensões fixas, sendo caracterizado por variáveis de geometria, operação e pavimento, nos períodos 2011-2014 e 2015-2018. Para fins comparativos, foi empregado o modelo multivariado Poisson lognormal (MVPLN) no processo de modelagem. Todos os modelos desenvolvidos tiveram a validade replicativa investigada e, destes, foram selecionados os melhores modelos que foram, também, verificados em termos da validação preditiva e estrutural. Esse procedimento permitiu confirmar a adequação do uso de RNA para a modelagem proposta – com ligeira superioridade à outra abordagem –, mas também revelou limitações dessa técnica. De igual modo, as vantagens e fragilidades dos modelos MVPLN também foram conhecidas. Assim foi possível concluir que duas técnicas são adequadas para a modelagem da segurança viária, devendo ser empregada aquela que melhor se adeque ao propósito do estudo em questão, ou ainda, considerar a associação entre elas | - |
Descrição: dc.description | CAPES | - |
Descrição: dc.description | Road Safety Modeling is an important strategy for road safety management (RSM). The development of multivariate response models (considering the simultaneous occurrence of crashes with different levels of severity) is also of great usefulness and lacks exploration. An initial challenge in crash prediction models is the highway segmentation method, mainly concerning segment lengths. Regarding the methodological approach, machine learning (ML) techniques, especially artificial neural networks (ANN), are presented as a possible alternative. Therefore, this study aimed to evaluate the potential of using ML techniques to develop crash prediction models in terms of three levels of severity and, besides that, evaluate how length segmentation influences this type of model. The data consisted of a multilane highway, which was divided in 10 different fixed lengths, being characterized by means of geometric, operational and paving characteristics, in two periods: 2011-2014 and 2015-2018. For comparison, the multivariate Poisson lognormal model (MVPLN) was used. All the developed models had their replicative validation tested and, among these, the best models were selected, which were also verified in terms of predictive and structural validations. This procedure allowed to assure the properness of using ANN for the proposed modelling – being slightly superior to the other approach – but also showed limitations of this technique. Similarly to that, the pros and cons of the MVPLN were highlighted. Thus, it was possible to conclude that both techniques are proper for modeling road safety, and it is necessary to apply the one that better fits the purpose of the study in question or even consider an association between them. | - |
Descrição: dc.description | Faculdade de Tecnologia (FT) | - |
Descrição: dc.description | Departamento de Engenharia Civil e Ambiental (FT ENC) | - |
Descrição: dc.description | Programa de Pós-Graduação em Transportes | - |
Formato: dc.format | application/pdf | - |
Direitos: dc.rights | Acesso Aberto | - |
Direitos: dc.rights | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições:Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | - |
Palavras-chave: dc.subject | Modelos de previsão de acidentes | - |
Palavras-chave: dc.subject | Frequência de acidentes por severidade | - |
Palavras-chave: dc.subject | Extensão do segmento | - |
Palavras-chave: dc.subject | Redes neurais artificiais | - |
Título: dc.title | Modelos de previsão de acidentes em rodovia brasileira de pista dupla | - |
Aparece nas coleções: | Repositório Institucional – UNB |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: