Kan data fra cykler bruges til at lokalisere nærvedulykker?
Oversat titel
Are data from bikes usable to locate near crashes?
Forfatter
Kjærsgaard, Johan
Semester
4. semester
Uddannelse
Udgivelsesår
2025
Afleveret
2025-06-04
Antal sider
90
Abstract
Specialet undersøger, om høje accelerationsmålinger fra cyklister kan bruges til at lokalisere nærvedulykker. Baggrunden er et ønske om at øge cyklisme for at reducere trængsel, samtidig med at mange cykelulykker kun registreres på skadestuer uden kendt lokation. Et litteraturstudie peger på, at sensorer, der registrerer accelerationer, ofte er mest succesfulde til at finde nærvedulykker. I dette arbejde anvendes data fra Findrs’ Cork-enhed, som kan skjules i cykelstyret, med fokus på Aalborg og Aarhus. Data forbehandles ved at fastlægge korrekte akser, filtrere geografisk til de to byer og udelukke punkter med hastigheder over 45 km/t for at undgå påvirkning fra cykler transporteret i bil. Datapunkter aggregeres i klynger ved forskellige accelerationstærskler, og kun klynger med en risikoværdi over gennemsnittet pr. tærskel analyseres. I alt vurderes 20 klynger via sammenligning med politiregistrerede ulykker, trafikmængder, stedbesigtigelser og interviews med brugere. Analyserne indikerer, at de fleste høje accelerationer sandsynligvis skyldes ujævne belægninger som brosten snarere end nærvedulykker. I fire klynger er det muligt, at datapunkter stammer fra nærvedulykker, men det kan ikke fastslås præcist. Konklusionen er, at høje accelerationsdatapunkter alene ikke er en optimal metode til at lokalisere nærvedulykker.
This thesis examines whether high acceleration measurements recorded by cyclists can be used to locate near crashes. The motivation is to promote cycling to reduce congestion while acknowledging that many bicycle crashes are only recorded in emergency room data without known locations. A literature review indicates that sensor-based acceleration methods are often the most successful for detecting near crashes. The study uses data from Findrs’ Cork device, which fits inside a bicycle handlebar, focusing on Aalborg and Aarhus. Preprocessing identifies the correct axes, filters data to the two cities, and excludes speeds above 45 km/h to avoid bikes transported by car. Data points are aggregated into clusters at different acceleration thresholds, and only clusters with above-average risk at each threshold are analyzed. Twenty clusters are evaluated by comparing locations with police-reported crashes, traffic counts, on-site observations, and user interviews. Findings suggest most high-acceleration points are likely caused by uneven surfaces such as cobblestones rather than near crashes. In four clusters, the points could originate from near crashes, but this cannot be concluded precisely. The thesis concludes that high-acceleration data points alone are not an optimal way to locate near crashes.
[Dette resumé er genereret ved hjælp af AI]