Improved Prediction Models for Crash Types and Crash Severities (2021)

Below is the uncorrected machine-read text of this chapter, intended to provide our own search engines and external engines with highly rich, chapter-representative searchable text of each book. Because it is UNCORRECTED material, please consider the following text as a useful but insufficient proxy for the authoritative book pages.

111  7 FINDINGS AND CONCLUSIONS 7.1 PROPOSED MODELS AND PROCEDURES FOR MANUAL This report presents SPFs that were estimated to predict crashes by type and severity for the facility types  covered  by  the  HSM.  To  optimize  the  accuracy  of  the  crash  predictions,  it  would  have  been  ideal  to  estimate  SPFs  for  all  of  the  crash  types  and  severities  need  as  base  conditions  for  applying  CMFs.  Unfortunately,  because  the  numbers  of  crashes  of  various  types  and  severities  were  limited  in  the  databases available for the project, we could not estimate models for all the specific types—for example,  for  head‐on  and  rear‐end  crashes  within  the  opposite‐  and  same‐direction  crash  type  categories,  respectively.  Some  models  also  have  overdispersion  parameters  high  enough  to  cast  doubt  on  their  accuracy for prediction or coefficients on the volume predictors (AADT) that are not statistically significant  at 90 percent confidence. We address these cases by reporting average proportions of specific crash types  within the broader crash type category for which models were estimated. These proportions can be used  where  the  predicted  models  are  not  available,  or  where  the  analyst  chooses  not  to  use  them.  This  approach will still be more accurate than that provided in the current HSM.   While the initial scope of work had proposed to estimate probabilistic models for crash severity, based on  theoretical and practical considerations about the application of such models in the HSM procedures, we  chose not to use this approach. Predictions of crash severity may be calculated using the count models  for severity that have been estimated and presented here.    The data sources for estimation and validation for each model by facility are listed in Table 7‐1. The rest  of this section identifies the models that were estimated and will be proposed for inclusion in the HSM,  by facility type. It also lists the crash types and severity for which models were NOT estimated, for each  facility  type  that  might  require  proportions  to  be  estimated.  For  these  situations,  we  provide  default  proportions  from  the  data  for  each  facility  type,  although  individual  jurisdictions  may  calculate  proportions  from  their  own  data  for  more  accurate  local  predictions.  Finally,  the  section  summarizes  findings from revisiting the calibration procedures in the HSM in light of the newly estimated models.   Table 7‐1: Data Sources (States) for SPF Estimation and Validation, by Facility Type  Facility Type  Road Segments Estimation  Road Segments  Validation  Intersections  Estimation  Intersections  Validation  Two‐lane rural  highways  Washington  Ohio  3ST&4ST: Minnesota  4SG: Ohio  3ST&4ST: Ohio  4SG: Minnesota  Multilane rural  highways  4U: Texas*  4D: California  4U: Texas*  4D: Illinois,  Washington  3ST&4ST: Minnesota  4SG: Ohio  3ST&4ST: Ohio  4SG: Minnesota  Urban/suburban  arterials  Ohio  Minnesota  Ohio  North Carolina  *Data from 2009–11 were used for estimation and from 2012 for validation. Two‐Lane Rural Highway Models Figure 7‐1  identifies  the crash models estimated  for segments on  two‐lane  rural highways. SPFs were  estimated  for  four  levels of  severity  (KABC0, KABC, KAB,  and KA)  for  total,  same‐direction, opposite‐

112  direction, and single‐vehicle crashes. Models  for  intersecting‐direction crashes were not estimated, as  they were all assigned to intersections.   Figure 7‐2 lists the specific crash types included in each of the broader crash type categories that were  estimated. Total crashes include all of these crash types. If predictions of crashes of any of these specific  types are needed for applying CMFs, proportions of them within the aggregate crash types (those in the  left column of the figure) will be required and provided in the proposed HSM content.   Figure 7‐3 illustrates the crash models estimated for intersections (all types) on two‐lane rural highways.  Models were estimated for intersecting‐direction crashes as well as for the types estimated for segments  and for the same four levels of severity.   Similarly, Figure 7‐4 lists the specific crash types included in each of the broader crash type categories that  were estimated for two‐lane rural highway  intersections. Again, total crashes  include all of these crash  types, and their proportions within the aggregate crash types will be required for estimating them.      Figure 7‐1: Crash Types Estimated for Segments on Two‐Lane Rural Highways    Total  Crashes KABC0 KABC KAB KA Same   Direction  Crashes KABC0 KABC KAB KA Opposite   Direction  Crashes KABC0 KABC KAB KA Single   Vehicle  Crashes KABC0 KABC KAB KA

113    Figure 7‐2: Specific Crash Types Included in the Estimated Crash Types (Rural 2U).      Figure 7‐3: Crash Types Estimated for Intersections on Two‐Lane Rural Highways.    Same  Direction  Crashes • Rear End • Sideswipe Same Direction • Turning Same Direction Opposite  Direction  Crashes • Head On • Sideswipe Opposite Direction • Turning Opposite Direction Single  Vehicle  Crashes • Fixed Object • Roll Over • Moving Object Total  Crashes KABC0 KABC KAB KA Same  Direction  Crashes KABC0 KABC KAB KA Intersecting   Direction  Crashes KABC0 KABC KAB KA Opposite  Direction  Crashes KABC0 KABC KAB KA Single  Vehicle  Crashes KABC0 KABC KAB KA

114    Figure 7‐4: Specific Crash Types included in the Estimated Crash Types (Rural 3ST, 4ST and  4SG)    Multilane Rural Highway Models Figure 7‐5 identifies the crash models estimated for divided and undivided segments on multilane rural  highways. Models were estimated for the same combinations of type and severity as for two‐lane rural  highways, with two exceptions. First, due to the small number of same‐direction KA crashes, we could not  estimate a model for that combination. Second, we attempted models for intersecting‐direction crashes  for all severity levels, but due to the small number of crashes, only the model for all severity levels was  successfully estimated. Figure 7‐4 lists the specific crash types included in each of these aggregated types  (same as for two‐lane rural highway intersection models). Again, the total crash category includes all of  the crash types and proportions that will need to be computed for any specific crash types of  interest  within the broader categories for which models were estimated.   Same  Direction  Crashes • Rear End • Sideswipe Same Direction • Turning Same Direction Intersecting  Direction  Crashes • Angle • Turning Intersecting Direction Opposite  Direction  Crashes • Head On • Sideswipe Opposite Direction • Turning Opposite Direction Single Vehicle  Crashes • Fixed Object • Roll Over • Moving Object

115    Figure 7‐5: Crash Types Estimated for Divided and Undivided Segments on Multilane Rural  Highways    Intersection models cover the same crash types as for rural two‐lane highway intersections, as depicted  in Figure 7‐3 and Figure 7‐4.  Urban/Suburban Arterial Models Final base condition models were estimated for urban/suburban arterial segments for the following crash  types:   Total   KABC   KAB   KA   Multiple‐vehicle non‐driveway related   Rear end   Sideswipe same direction   Head‐on + sideswipe opposite direction   Multiple‐vehicle non‐driveway other   Single vehicle   Nighttime   Multiple‐vehicle driveway    Total  Crashes KABC0 KABC KAB KA Same  Direction  Crashes KABC0 KABC KAB Intersecting  Direction  Crashes KABC0 Opposite  Direction  Crashes KABC0 KABC KAB KA Single  Vehicle  Crashes KABC0 KABC KAB KA

116  Note that crashes were estimated by type or severity level, not in combination, as was done for the rural  facility types. The reason for this is that, for many combinations of crash type and severity, there simply  were not enough crashes to estimate viable models. The combination of crash type and severity  is not  frequently  needed  to  apply  HSM  methods,  so  it  is  recommended  that  when  predictions  of  such  combinations are needed, proportions may be calculated to allocate crash type predictions among the  various severity levels.   For urban/suburban  intersections, we estimated models  for  the same combinations of crash type and  severity as for the rural intersection facilities (see Figure 7‐3). As noted, however, models for many of the  combinations could not be estimated due  to  small  sample  sizes or odd estimation  results. Figure 7‐6  depicts the combinations that could not be estimated for each type of intersection.      

117        Figure 7‐6: Crash Type and Severity SPFs that Were Not Estimated for Urban/Suburban  Intersections    3ST OD KA 4ST Total KAB KA SD KA OD KA ID KABC0 KABC KAB KA 3SG Total KA SV KABC KAB KA SD KA OD KA 4SG SV KA ID KA

118  Revisit of the Calibration Procedure The project team revisited the current HSM calibration procedure and evaluated its performance relative  to sample size and to using a constant or variable calibration factor (or calibration function). In addition,  we considered the  issues of calibrating models based on crash predictions with and without CMFs and  calibration of the overdispersion parameter. The recommendation is to continue the current procedure  in the HSM of calibrating with the CMFs, assuming most of the CMFs for doing so are available. Otherwise,  as may be the case for many crash type and severity models at the moment, the calibration may be done  without applying CMFs. The issue of calibrating the overdispersion parameter requires further research.   The  findings show that the calibration results are definitely sensitive to sample size, but not always  in  ways that might be expected. The calibration function did not work well with small sample sizes because  the optimization procedure to estimate it failed to converge. In general, the more complex the calibration  approach,  the more  data  are  required  to  apply  it  successfully. Unsurprisingly,  the  sample  sizes  that  resulted in the best calibration results would also be large enough to estimate jurisdiction‐specific SPFs.  This latter option would be preferred, when possible, to get the most accurate predictions for application  in a given  jurisdiction. But the findings here show that,  in many cases, reasonable predictions are also  possible following the HSM procedures, with even a constant calibration factor and modest calibration  sample sizes.   7.2 CONCLUSIONS In conclusion, this project has estimated new prediction models for crash types and severity that promise  better  predictive  results  than  the  current HSM‐recommended  combination  of  base models  for  total  crashes  with  proportional  factors  for  allocating  among  crash  type  and  severity. When  sample  size  permitted, extensive SPFs developed by severity and type are provided  for detailed analytics of safety  rather than fixed proportions as the current HSM provides. They are estimated with much newer crash  data than the models  in the HSM, which were estimated using data 10 to 15 years old. These updated  models, including ones for total crashes, reflect more current relationships between traffic exposure and  crash occurrence, as well as differences in the shape of the SPF viz. the traffic exposure from one crash  type  or  severity  level  to  another.  The  project  has  also  revisited  the  predictive method  calibration  procedure in the HSM and offers refinements to the recommended calibration procedure.   It is noted that estimation and application of crash prediction models is dependent upon having datasets  of sufficient size and quality. It was not possible to estimate models for K only crashes for any crash types  or in total for any facility type due to the small number of these crashes in any of the data sets. For some  crash types, such as same direction crashes, KA crash models also could not be estimated. Some of these  crash  type and  severity  combinations are extremely  rare due  to  their nature  (e.g.,  same direction KA  crashes), so it is hard to identify future research directions that could overcome this challenge.   It is also noted that many of the roadway characteristic variables that are necessary for estimating and  applying these models, for example numbers of driveways of different types and intersection skew angles,  are not routinely archived by all transportation agencies. For estimation and validation of these models it  was  necessary  to  engage  in  data  collection  efforts  to  augment  data  provided  by  the  transportation  agencies that were used in the project. In order to use these prediction procedures, most agencies will  likely need to augment their own data archives with additional roadway characteristics.     

119  This  project  also  provides,  in  Appendix  C,  content  for  incorporating  the  new  estimated models  and  calibration recommendations into a second edition of the HSM.