Автомобильные аварии

в Москве

ПАНДЫ

1

Амелия Алаева�Филипп Бельдюшкин�Елизавета Сычёва�Татьяна Краснопивцева�Александр Скворцов

DANO: олимпиада по анализу данных

​

Исследовательский вопрос

Какие территории Москвы наиболее опасны для пешеходов и почему?

2

Summary

Разведывательный анализ (EDA)

​

Гипотеза

​

Отбор и кластеризация ДТП по координатам

​

Анализ существенных кластеров

​

Подтверждение гипотезы

​

Рекомендации для реальных кейсов и перспективы

3

Предварительное

изучение датасета

4

Датасет

Данные об автомобильных авариях в Москве за 2020 год, взятые с сайта ГИБДД

Всего - 7964 ДТП

​

Ограничения для результатов:

• смещение в сторону более тяжелых аварий
• евклидово расстояние

​

​

5

Все аварии на карте Москвы

Переменные

Основные категории переменных:

​

1. Место ДТП
2. Условия ДТП
3. Нарушения участников перед ДТП
4. Последствия ДТП

​

​

6

Переменные

Особенность базы данных:

• много качественных переменных, мало количественных
• маленький диапазон числовых метрик (Например, NFatal = [0;3], NVehicles = [1;8])

7

Тип ДТП

8

0%

Столкновение

Наезд на пешехода

Наезд на препятствие

10%

20%

30%

40%

Наезд на велосипедиста

Другие

Можно ли пешеходу находиться на этом участке дороги?

9

0%

20%

40%

60%

Запрещено

Разрешено

Объекты рядом

10

0%

10%

20%

30%

Остановка общественного транспорта

Административные здания

Многоквартирные жилые дома

Крупные ТЦ

Другие объекты

Гипотеза и причинно-следственная цепочка

11

Гипотеза

12

Наиболее опасны точки общественного притяжения, рядом с которыми нет мест, оборудованных для безопасного движения пешеходов

​

Причинно-следственная цепочка

13

Чтобы попасть в место общественного притяжения, нужно пересечь улицу

Пешеход вынужден пересекать дорогу в запрещенном для него месте

Случается ДТП

В некоторых случаях условия для перехода улицы отсутствуют

Проверка гипотезы

14

План проверки гипотезы

1. Выбор дорожно-транспортных происшествий для исследования
2. Кластеризация выбранных ДТП по координатам
3. Выбор существенных кластеров для исследования
4. Анализ ДТП по кластерам

​

​

​

15

Отбор ДТП для исследования

1. Тип ДТП = Наезд на пешехода
2. Условия места ДТП = Запрещено для пешехода�(Перегон, АЗС и т.д.)

​

Всего исследовано: 475 ДТП из 7964

Среднее количество участников: 2

Среднее количество пострадавших: 0.9

Среднее количество фатальных случаев: 0.13

​

16

Кластеризация ДТП по координатам

17

Деление по районам и округам:

• условное
• проблема аварий “на стыке”

Кластеризация по координатам:

• позволяет увидеть места скопления ДТП

Поиск места стоянок такси в Йоханнесбурге

Пример использования гео-кластеризации для поиска места для стоянки такси

K-Means

18

model = cluster.KMeans�N_clusters = 26

Init = k-means++, default = k-means++�N_init = 10, default = 10

Max_iter = 300, default = 300

Метод локтя

Широта

Д

олгота

Affinity Propagation

19

model = cluster.AffinityPropagation�Clustering k = 26�Affinity = euclidean, default = euclidean�max_iter = 1000, default = 200�Convergence iter = 15, default = 15

Широта

Д

олгота

Схожесть независимых моделей

​

​

20

Affinity Propagation и K-Means - 88.5%

Широта

Д

олгота

Широта

Д

олгота

Выбор существенных кластеров

21

Топ-4 кластера:

Выбор существенных кластеров

22

Все наезды на пешеходов

Топ-4 кластера

Анализ существенных кластеров

23

Объекты рядом с местами ДТП (в опасных кластерах)

Остановка общественного транспорта -�49,4 %

Административные здания

АЗС

Прочее

Отсутствие объектов

Крупный торговый объект

Подтверждение гипотезы

Наиболее опасны точки общественного притяжения, рядом с которыми нет мест, оборудованных для безопасного движения пешеходов

24

Самый частый случай - остановка общественного транспорта

Разработка рекомендаций

25

Как сократить участие пешеходов в ДТП?

26

55°39'58.2"N 37°25'35.2"E

Домостроительная ул., 1

Как сократить участие пешеходов в ДТП?

27

55°53'08.1"N 37°40'22.3"E

VMPF+64Q р-н Северное Медведково

Как сократить участие пешеходов в ДТП?

28

55°37'18.7"N 37°42'42.5"E

Каширское шоссе

Как сократить участие пешеходов в ДТП?

29

55°35'44.3"N 37°36'10.7"E

р-н Чертаново Южное

Как сократить участие пешеходов в ДТП?

30

55°52'12.4"N 37°39'36.4"E

ул. Менжинского

Подведение итогов исследования

31

Выводы и результаты

Вывод:

Проведенные исследования подтвердили гипотезу о том, что существуют опасные для пешеходов места, в которых часто происходят ДТП с их участием. Мы выяснили, что в большинстве случаев это остановки общественного транспорта

​

Практический результат:

Предложены рекомендации по повышению безопасности пешеходов в конкретных 5 местах Москвы

32

Дальнейшее применение исследования

• Использовать геокластеризацию для выявления опасных для пешеходов мест по прошествии времени

​

• Разработать рекомендации по улучшению ситуации для определенных участков Москвы

​

• Использовать геокластеризацию для выявления опасных для пешеходов мест в других городах мира

​

33

Другие возможные проекты

• Исследовать правило золотого часа:

Нужны данные о времени смерти и о расположении близлежащих пунктов скорой помощи

​

• Как менялись причины аварий в течение X лет?

Нужны данные по предыдущим годам

34

Спасибо за внимание!

35

Материалы проекта

Код проекта: https://drive.google.com/drive/folders/1g43UWvFsEUSJ3diDvvNDd-xSdTfGYhzm?usp=sharing

​

Используемая литература и tools:

https://towardsdatascience.com/clustering-geospatial-data-f0584f0b04ec

https://kepler.gl/demo

36

Линейная регрессия

37

Линейный регрессионный анализ ДТП где были пострадавшие показал наличие зависимости только между:

- количеством участников ДТП и количеством пострадавших

- количеством участников и автомобилей

Количественными переменные:

NInjured - число пострадавших

NFatal - число погибших

NVehicles - число автомобилей-участников

NPatricipants - число людей-участников

​

Количество участников ДТП и количество пострадавших

Количество участников и автомобилей

Корреляционный анализ данных

38

t-тест

39

Прогнозирование пробок с помощью Логической регрессии

Метрики, влияющие на возникновение пробок: okrug, additionalFactor, lightConditions, weatherConditions, closeObjects, pokritie, placeConditions

40

has_traffic_jam = 1 (пробка)

has_traffic_jam = 0 (нет)

Прогнозирование пробок с помощью

Random Forest

41