Incidence occurrence and response on urban freeways - PASTEL - Thèses en ligne de ParisTech Accéder directement au contenu
Thèse Année : 2010

Incidence occurrence and response on urban freeways

Modélisation pour l'estimation des probabilités d'incidents et pour le traitement de leur réponse sur les réseaux d'autoroutes

Résumé

Research on road safety has been of great interest to engineers and planners for decades. Regardless of modeling techniques, a serious factor of inaccuracy - in most past studies - has been data aggregation. Nowadays, most freeways are equipped with continuous surveillance systems making disaggregate traffic data readily available ; these have been used in few studies. In this context, the main objective of this dissertation is to capitalize highway traffic data collected on a real-time basis at the moment of accident occurrence in order to expand previous road safety work and to highlight potential further applications. To this end, we first examine the effects of various traffic parameters on type of road crash as well as on the injury level sustained by vehicle occupants involved in accidents, while controlling for environmental and geometric factors. Probit models are specified on 4-years of data from the A4-A86 highway section in the Ile-de -France region, France. Empirical findings indicate that crash type can almost exclusively be defined by the prevailing traffic conditions shortly before its occurrence. Increased traffic volume is found to have a consistently positive effect on severity, while speed has a differential effect on severity depending on flow conditions. We then establish a conceptual framework for incident management applications using real-time traffic data on urban freeways. We use dissertation previous findings to explore potential implications towards incident propensity detection and enhanced management
Les recherches en sécurité routière suscitent largement l'intérêt des chercheurs. Indépendamment des techniques de modélisation, un facteur important d'imprécision -qui caractérise les études dans ce domaine- concerne le niveau d'agrégation des données. Aujourd'hui, la plupart des autoroutes sont équipées de systèmes permanents de surveillance qui fournissent des données désagrégées. Dans ce contexte, l'objectif de la thèse est d'exploiter les données trafic recueillies en temps réel au moment des accidents, afin d'élargir le champ des travaux précédents et de mettre en évidence un potentiel d'applications innovantes. À cette fin, nous examinons les effets du trafic sur le type d'accident ainsi que sur la gravité subie par les occupants des véhicules, tout en tenant compte des facteurs environnementaux et géométriques. Des modèles Probit sont appliqués aux données de trafic et d'accidents enregistrés pendant quatre années sur le tronc commun aux autoroutes A4 et A86 en Ile-de-France. Les résultats empiriques indiquent que le type d'accident peut être presque exclusivement défini par les conditions de trafic prévalant peu avant son occurrence. En outre, l'augmentation du débit s'avère exercer un effet constamment positif sur la gravité, alors que la vitesse exerce un effet différentiel sur la gravité en fonction des conditions d'écoulement. Nous établissons ensuite un cadre conceptuel pour des applications de gestion des incidents qui s'appuie sur les données trafic recueillies en temps réel. Nous utilisons les résultats de la thèse afin d'explorer des implications qui ont trait à la propension et à la détection des incidents, ainsi qu'à l'amélioration de leur gestion
Fichier principal
Vignette du fichier
TH2010PEST1100_complete.pdf (1.75 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)
Loading...

Dates et versions

tel-00626573 , version 1 (26-09-2011)

Identifiants

  • HAL Id : tel-00626573 , version 1

Citer

Zoi Christoforou. Incidence occurrence and response on urban freeways. Architecture, space management. Université Paris-Est, 2010. English. ⟨NNT : 2010PEST1100⟩. ⟨tel-00626573⟩
359 Consultations
477 Téléchargements

Partager

Gmail Facebook X LinkedIn More