L’application d’outils d’analyse de la sécurité des piétons et des cyclistes du SIG est contenue dans un paquet d’installation que vous pouvez télécharger après avoir rempli le formulaire au bas de cette page. Des ensembles de données de démonstration sont disponibles pour chacun des trois outils pour les piétons et les cyclistes. Dans cette section, nous décrirons les ensembles de données que nous avons utilisés dans nos analyses, ainsi que les modèles de sécurité des vélos que nous avons développés. Bien que ces ensembles de données aient été collectés, conservés et partagés par plusieurs entités, un sous-ensemble des informations dont nous avions besoin pour construire un modèle de sécurité cycliste était inclus dans les trois ensembles de données.
Bien que ces données proviennent de sources différentes (c’est-à-dire les portails de données ouvertes de chaque ville), elles fournissent toutes les informations dont nous avons besoin pour construire un modèle de sécurité. Le tableau 1 présente les données brutes, ainsi que des informations générales sur chacune d’elles, notamment le nombre d’accidents de vélo. Enfin, nous présentons notre collecte de données pour les accidents de vélo, qui est présentée dans l’enregistrement des données. Après avoir téléchargé les données brutes, nous filtrons les ensembles de données collectés, ce qui permet d’obtenir des observations géographiquement localisées des accidents ayant des résultats de gravité et impliquant un nombre quelconque de cyclistes.
Ensuite, après avoir téléchargé les ensembles de données, nous filtrons les données pour qu’à la fin, nous ayons les accidents dans lesquels des cyclistes sont impliqués. Étant donné qu’une grande partie de la recherche sur la sécurité des cyclistes repose sur l’observation des cyclistes seuls ou des accidents dans lesquels des cyclistes sont impliqués, nous ne filtrons les ensembles de données initiaux que pour obtenir des observations impliquant des cyclistes. Nous trions et vérifions ensuite les données brutes pour nous assurer que les ensembles de données pertinents sont facilement utilisables et que les chercheurs n’auront pas beaucoup de travail de validation, ce qui réduit essentiellement les obstacles aux analyses de la sécurité des cyclistes.
La base de données existante sur le vélo, les datasets sur les événements de conduite des usagers de la route vulnérables, telle qu’elle était au moment où cette recherche a été menée, doit être améliorée au niveau de la collecte des données, et Maastricht a besoin que davantage de parties prenantes participent à la prise de décision. Cette étude visait à évaluer les tendances en matière d’accidents de vélo dans la ville de Maastricht entre 2001 et 2015, ainsi qu’à comprendre les points de vue des principales parties prenantes sur la qualité des données sur le vélo, les résultats quantitatifs de la recherche et les futures décisions politiques. Notre objectif ultime était d’évaluer comment les résultats empiriques obtenus pourraient informer les politiques futures, en évaluant l’efficacité de la collecte de données sur les accidents de vélo.
Notre objectif était d’examiner et de critiquer les données crowdsourcées utilisées pour combler les lacunes des études sur le vélo, ainsi que de faire progresser les études liées au vélo sur les volumes de vélos, la sécurité, les infrastructures et les attitudes de la communauté. Les smartphones et wearables équipés de GPS changent la façon dont les données sur les mouvements, y compris le cyclisme, sont collectées, et dans le tableau 1, nous détaillons quelques-uns des principaux articles utilisant des outils de crowdsourcing pour recueillir des données et analyser ou cartographier le cyclisme. Le crowdsourcing est apparu comme un outil pour combler les lacunes dans les données de sécurité, et les principaux articles sont résumés dans le tableau 2. Alternativement, les projets utilisant le crowdsourcing pour l’amélioration des données de sécurité sont open source, avec des données disponibles pour tous et capables d’en tirer profit.
Dans le cas du vélo, cela signifie que tous les utilisateurs de la rue sont invités à contribuer aux données sur les niveaux, la sécurité et les conditions de circulation des vélos. Alors que les villes ont beaucoup investi dans la surveillance des volumes de véhicules, de la sécurité et des infrastructures, le budget consacré à la collecte de données sur les vélos est limité. Les données sur le trafic ne sont pas facilement disponibles, un problème qui est particulièrement aigu en ce qui concerne le vélo. Par conséquent, les données ne sont pas parfaites pour suivre les changements dans le temps, mais elles peuvent être représentatives des variations spatiales de la sécurité des vélos, et pourraient être utilisées pour comprendre les obstacles à la sécurité des vélos.
La capacité à prédire la gravité des accidents dans la ville A à partir d’un modèle entraîné sur les données de la ville B est une bonne indication de l’existence de modèles universels en matière de sécurité des cyclistes. Plus précisément, nous avons utilisé le modèle formé avec les données de chacune des villes de notre étude pour prédire la gravité des accidents dans les deux autres villes de notre étude (6 paires, au total). Idéalement, étant donné les données sur les accidents de vélo dans un segment de la route, le segment se voit attribuer un score de risque basé sur le nombre de ces accidents.
Tableau 2 Comparaison entre les 4, avec les données correspondantes pour l’évaluation de la sécurité routière. La figure 18 résume toutes les informations relatives à la sécurité routière qui auraient pu être extraites à l’aide de PSPNET101 sur les paysages urbains (identifiés au cours de ce projet).
Donner de nouvelles directives sur la façon dont les modèles ODS et IS pourraient découvrir des facteurs de risque supplémentaires pour la sécurité routière, en se basant sur l’expérience de ce projet. Les objectifs de ce projet comprennent l’assemblage des indicateurs de sécurité routière et des facteurs de risque ; l’analyse d’un ensemble de données GSV, puis l’utilisation de deux outils de pointe, YOLOv5 et PSPNET101, pour la détection d’objets et d’images segmentées, respectivement, et l’analyse des résultats de deux autres outils de pointe ; l’identification des limites de YOLOv5, PSPNET101, et la suggestion de moyens d’améliorer les évaluations de la sécurité des vélos. Orientations futures Outre la détection des objets, un pas en avant pour l’évaluation de la sécurité routière des cyclistes consiste à proposer un indicateur de sécurité routière commun qui permette de comparer, par exemple, la façon dont les objets affectent la sécurité de différentes manières, comme les taux d’accidents ou les blessures, et de suggérer des moyens de rendre l’évaluation de la sécurité des vélos plus précise.
Notre compilation finale est fortement affectée par la disponibilité des données, puisque la plupart des villes du monde n’ont pas encore publié de données ou de statistiques sur la sécurité routière. La diminution du nombre d’accidents sur une période de quinze ans pourrait être interprétée comme une preuve de la réussite de la ville de Maastricht en matière de sécurité des vélos ; cependant, les principales parties prenantes ont tiré la sonnette d’alarme, attribuant cette diminution à la baisse de la qualité de la collecte des données depuis 2009, plutôt qu’à autre chose.
Ces données sont accessibles via la plateforme Dexter de la NDW, aux abonnés de la NDW, mais comme il s’agit de données ouvertes, les non-abonnés peuvent également consulter les données via un portail de données ouvertes sur les vélos. Alors que la NDW fournit actuellement le point d’entrée des données à l’échelle nationale en format ouvert pour tous les comptages de vélos aux Pays-Bas, le BITS Cycling Data Hub (toujours en cours de construction) est le centre européen, fournissant des liens entre les ensembles de données, les points d’accès, pour leur permettre à tous d’apprendre les uns des autres, améliorant la qualité, l’accessibilité et l’interconnexion des données. Nous évaluons les données crowdsourcées utilisées pour la cartographie de l’achalandage (données sur la condition physique, le partage de vélos et les GPS/accéléromètres), l’évaluation de la sécurité (outils de cartographie Web), l’infrastructure cartographique (OpenStreetMap) et le suivi des attitudes (médias sociaux).
CycloSport 2023 | Mentions Légales