Improving driver safety tolerance zone through holistic analysis of road, vehicle and behavioural risk factors

Abstract

Road safety is a complex issue influenced by a wide range of factors, including road conditions, vehicle characteristics and driver behaviour. The aim of this PhD thesis was to improve driver Safety Tolerance Zone (STZ) through a holistic analysis of road, vehicle and behavioural risk factors. More specifically, the impact of task complexity and coping capacity on crash risk was examined. Towards that end, data from 190 drivers who participated in a large on-road and simulator driving experiment were exploited. An innovative methodology, consisting of both statistical and machine learning analyses, has been developed and implemented, including Generalized Linear Models (GLMs), Structural Equation Models (SEMs), Neural Networks (NNs), Decision Trees (DTs), Random Forests (RFs) and k-Nearest Neighbors (kNNs). SEMs demonstrated that task complexity was positively correlated with risk, indicating that driving during night-time or in adverse weather conditions can exacerbate the challenges posed by complex tasks, further increasing the likelihood of crashes. Conversely, coping capacity was negatively correlated with risk, indicating that drivers with higher coping capacity are better equipped to handle challenging driving situations. Results indicated that RF models outperformed the DT and kNN models across all metrics, making it the most effective for predicting speeding and headway, with overall accuracy up to 90%. NNs demonstrated that the level of STZ can be predicted with an exceptional accuracy of up to 89.8%. Lastly, it was demonstrated that simulator experiments proved to be the most suitable for predicting STZ levels and naturalistic data, without simulator validation, may lack the controlled conditions necessary for thoroughly evaluating complex interactions. Overall, it was observed that both real-time and post-trip interventions had a positive effect on driving behaviour, as drivers managed to improve their performance. The integrated treatment of task complexity, coping capacity and risk can improve behaviour and safety of all travellers, through the unobtrusive and seamless monitoring of behaviour.

Η οδική ασφάλεια αποτελεί ένα πολύπλοκο ζήτημα που επηρεάζεται από ένα ευρύ φάσμα παραγόντων, συμπεριλαμβανομένων των συνθηκών της οδού, των χαρακτηριστικών του οχήματος και της συμπεριφοράς του οδηγού. Στόχος της παρούσας διδακτορικής διατριβής ήταν η βελτίωση της Ζώνης Ανοχής Ασφάλειας (STZ) του οδηγού μέσω μιας ολιστικής ανάλυσης των παραγόντων κινδύνου της οδού, του οχήματος και της συμπεριφοράς. Πιο συγκεκριμένα, εξετάστηκε η επιρροή της πολυπλοκότητας του έργου της οδήγησης και της ικανότητας αντιμετώπισης στον κίνδυνο ατυχήματος. Για τον σκοπό αυτό, αξιοποιήθηκαν δεδομένα από 190 οδηγούς που συμμετείχαν σε ένα μεγάλο πείραμα σε πραγματικές συνθήκες οδήγησης καθώς και σε προσομοιωτή. Αναπτύχθηκε και εφαρμόστηκε μια καινοτόμος μεθοδολογία, η οποία αποτελούνταν από αναλύσεις στατιστικής και μηχανικής μάθησης, συμπεριλαμβανομένων Γενικευμένων Γραμμικών Μοντέλων (GLMs), Μοντέλων Δομικών Εξισώσεων (SEMs), Νευρωνικών Δικτύων (NNs), Δέντρων Αποφάσεων (DTs), Τυχαίων Δασών (RFs) και K-Κοντινότερων Γειτόνων (kNNs). Τα SEM έδειξαν ότι η πολυπλοκότητα του έργου της οδήγησης συσχετίζεται θετικά με τον κίνδυνο, υποδεικνύοντας ότι η οδήγηση κατά τη διάρκεια της νύχτας ή υπό δυσμενείς καιρικές συνθήκες μπορεί να επιδεινώσει τις προκλήσεις που θέτουν οι πολύπλοκες εργασίες, αυξάνοντας περαιτέρω την πιθανότητα ατυχήματος. Αντίθετα, η ικανότητα αντιμετώπισης συσχετίστηκε αρνητικά με τον κίνδυνο, υποδεικνύοντας ότι οι οδηγοί με υψηλότερη ικανότητα αντιμετώπισης είναι καλύτερα εξοπλισμένοι για να αντιμετωπίσουν δύσκολες καταστάσεις κατά τη διάρκεια της οδήγησης. Τα αποτελέσματα έδειξαν ότι τα μοντέλα RF υπερείχαν των μοντέλων DT και kNN, καθιστώντας τα πιο αποτελεσματικά για την πρόβλεψη της ταχύτητας και της απόστασης από το προπορευόμενο όχημα, με συνολική ακρίβεια έως και 90%. Τα NN έδειξαν ότι το επίπεδο STZ μπορεί να προβλεφθεί με εξαιρετική ακρίβεια έως και 89,8%. Τέλος, τα πειράματα σε προσομοιωτή αποδείχθηκαν τα καταλληλότερα για την πρόβλεψη των επιπέδων STZ και ότι τα νατουραλιστικά δεδομένα, χωρίς επικύρωση με προσομοιωτή, ενδέχεται να μην διαθέτουν τις ελεγχόμενες συνθήκες που απαιτούνται για την ενδελεχή αξιολόγηση πολύπλοκων αλληλεπιδράσεων. Συνολικά, αποκαλύφθηκε ότι τόσο οι παρεμβάσεις σε πραγματικό χρόνο όσο και μετά το ταξίδι είχαν θετική επίδραση στην οδηγική συμπεριφορά, καθώς οι συμμετέχοντες κατάφεραν να βελτιώσουν τις επιδόσεις τους. Η ολοκληρωμένη αντιμετώπιση της πολυπλοκότητας των καθηκόντων, της ικανότητας αντιμετώπισης και του κινδύνου μπορεί να βελτιώσει τη συμπεριφορά και την ασφάλεια όλων των χρηστών της οδού, μέσω της διακριτικής και απρόσκοπτης παρακολούθησης της οδηγικής συμπεριφοράς.