Neden Yol Güvenliği için Öngörücü Maddeler

Yol trafik kazaları dünya çapında önlenebilir ölüm nedenlerinden biri olarak kalır, her yıl Dünya Sağlık Örgütü'ne göre 1.3 milyondan fazla hayat iddia eder. Geleneksel güvenlik çabaları meydana geldikten sonra kazalara tepki vermeye odaklanırken, tahmin edici modelleme kullanarak proaktif bir yaklaşım, şehirlerin ve ulaşım ajanslarının tüm kaynaklanmış kaynakların nasıl ve tahmin edebileceğine olanak sağlar.

Temel fikir yanıltıcı basittir: Kaza olayları, tarihsel verilerden, çevresel koşullardan ve altyapı özelliklerinden tahmin edilebilir bir şekilde ortaya çıkarmak, bu modeller birden fazla veri akışının, sofistike makine öğrenme algoritmalarının ve titiz bir doğrulamanın dikkatli bir şekilde entegrasyonu gerektirir.Bu makale, seçim, dağıtım zorlukları ve ortaya çıkan trendleri modellemek için tüm süreç boyunca yürür.

Kaza Krizi için Tahmin edici Modeller

Trafik kazaları için tahmin edici modeller iki geniş kategoriye girer: İstatistiksel modeller ve makine öğrenme modelleri. Poisson regresyon, negatif binomial regresyon ve hierarchical Bayesian modelleri yıllardır ulaşım güvenliği için kullanılmıştır.S.g.XGBoost, LightGBM , Support Vector Machines ve derin sinir ağları - son zamanlardaki dinamik sistemlerde daha fazla sayıdaki farklar ve heterojen ilişkilerde mücadele eder.

Algoritma olursa olsun, tüm tahmin edici modeller ortak bir boru hattı paylaşır: ham giriş verilerini kaza riski ile ilişkilendirir, bu tahmin edilebilir kayıtların özellikleri ve kaza olayları arasındaki haritayı öğrenin ve sonra veri toplama süreleri veya yerlerin temizlenmeleri için çıkış risk puanları genellikle coğrafi alanlara dönüştürürler (yol segmentleri, kesişimler, ağ hücreleri, ağ hücreleri)

Kazada Önleme için Anahtar Veri Kaynağı

Kapsamlı, yüksek kaliteli veriler, herhangi bir etkili tahmin edici modelin temelidir. Aşağıdakiler pratikte kullanılan en kritik veri kaynaklarıdır:

Tarihsel Kaza Records Records

Polis raporları, hastane kabul logları ve sigorta iddiaları, kaza etiketlerinin birincil kaynağını oluşturur. Bu kayıtlar genellikle zaman damgası, yer (ya da sokak kesişimleri), ağırlama analiz sistemi (FARS) ve hızlama Raporu Sampling System (CRSS), araştırma için yaygın olarak kullanılan birçok devlet ve belediye tarafından yayınlanabilir.

Cilt Trafik ve Akış Data

Exposure kritik bir tahminor: Bir yol segmentinde daha fazla araç bir çarpışma olasılığını artırıyor. Trafik hacmi verileri endüktör döngü dedektörleri, radar sensörleri, kameralar ve Bluetooth /Wi-Fi MAC adresi takip ajansları gibi. (Google Maps, Waze) ve bağlantılı araç kullanıcıları yüksek çözünürlüklü trafik hız ve yoğunluk ölçümleri ile yüksek çözünürlüklü trafik hacmi tahminleri sunuyor.

Hava ve Çevre Koşulları

Rain, kar, fog, buz ve yüksek rüzgarlar kaza riskini çarpıcı şekilde etkileyebilir. Tarihsel hava verileri şu anda elde edilebilir:0) Ulusal Okyanus ve Atmospheric Administration (NOAA)) ve yerel havalimanı hava istasyonları için gerçek zamanlı uygulamalar için, meteorolojik API'ler (örneğin, hava durumu, hava durumu, hava durumu, hava durumu, hava durumu, hava durumu, hava durumu, sürekli granularitesi ile eşleşmek için.

Yol Altyapısı ve Geometri

Yolun özellikleri ağır etkiler kaza olasılığı. Anahtar değişkenleri şerit sayısı, şerit genişliği, omuz tipi, medya varlığı, hız sınırı, eğriliği (horizontal ve dikey), kesişim yoğunluğu, trafik kontrol cihazları (kesinlikle trafik sinyalleri, yuvarlak yukarı doğru), ve doğruluk, coğrafi Bilgi Sistemleri (GIS portallarından alınan bilgilerle ilgili bilgilerle ilgili olarak OSM'yi sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık kontrol eder.

Sürücü Davranışı ve Telematik

Akıllı telefonlar ve sigorta telematik cihazlarının çoğalması ile, bireysel sürücü davranışıyla ilgili veriler -sudden frenleme, sert ivme, hızlama, köşeleme - mevcut hale gelir.Aggregated behavior metrics (e.g, ortalama hız, zaman hızı) yol segmentinde veya bölge seviyesindeki veriler kişisel olarak tanımlanabilir bilgi kullanımını sınırlandırabilir, ancak filo operatörlerinden ve sigorta şirketlerinden gelen veri toplaması daha erişilebilir.

Spasal ve Demographic Context

İnşa edilen çevre ve nüfus özellikleri de kaza riskini de etkiliyor. Arazi kullanımı (residential, ticari, endüstriyel), okullara, hastanelere, alışveriş merkezlerine yakınlık ve halk transitleri trafik modellerini ve ya da maruz kalmalarını engelliyor. Socio-ekonomik değişkenler nüfus yoğunluğu, medya gelirleri ve yaş dağılımı gibi değişkenler sürüş davranışları ve araç bakımı ile ilişkili. Census verileri ve arazi kullanımı zoning haritaları bu bilgileri sağlar.

Öngörücü bir Model geliştirmek: Adım-by-Step

Bir üretime hazır bir kaza noktası modeli sistematik bir süreçtir. Her adım dikkatli bir yargı ve alan uzmanlığı gerektirir.

1. Veri Koleksiyonu ve Entegrasyon

İlk meydan okuma, veri kaynaklarını bir araya getiriyor. Kaza kayıtları genellikle farklı şemalarla polis veritabanında kalıyor; trafik hacmi verileri birden fazla sensör türünden gelebilir; hava verileri genellikle zaman dizili veritabanına dahil edilebilir.Birleşmiş veri deposu veya bir veri gölü, referans sistemleri (GIS projeksiyonu) ve özellikleri tanımları önemlidir. Örneğin, hava gözlemleri ile ilgili olarak, API'leri hizalayabilir ve ekinler aracılığıyla kullanılabilir.

2. Veri Temizlik ve Preprocessing

Gerçek dünya verileri dağınıktır. Ortak konular eksik değerler içerir (örneğin, bilinmeyen hava durumu), tekrarlanan kayıtları, yanlış koordinatlar ve outliers (örneğin, imkansız hız değerleri). Eksik verileri işlemek: örneğin, hava eksikse, bir iklim istasyonu veya iklimaltı koordinatları, çalışma alanı dışına düşen hataların düzeltilmesi veya iptal edilmesi gerekir.

3. Özel Mühendislik Mühendisliği

Raw verileri nadiren doğrudan kullanılabilir özellikler sağlar. Dönüşüm tahmin edici sinyalleri çıkarmak için gereklidir. Common mühendisileştirilmiş özellikler şunları içerir:

  • [FONT:0]Temporal özellikler:[Dönemli saat:[Dönemli saat:[Dönemli saat:[Dönemli, hafta, ay, sezon, tatil göstergesi, acele-saat bayrağı.
  • [FONT:0]Spatial özellikler:[Dönetici:[Dönetici: 0,2) En yakın kavim, kesişim türü, yol eğriliği (GIS'den değişiklikler yapmak), şerit sayısı, hız sınırı.
  • [FONT:0]Toplayıcılar toplanıyoruz: [Dönüşük, sıcaklık, geçmiş 1, 3 ve 24 saat boyunca görünür.
  • [FONT:0]Traffic özellikler: [Dönder: Ortalama hız (önemli hız limiti ile etiketlenen) hacimsel hız, kongestion indeksi, ardışık zaman pencereleri arasında hız farkı.
  • [FONT:0] Historical kaza yoğunluğu:[Dönetici:[Dönetici: 0)) Son kazaların 500 metre yarıda veya aynı yol segmentinde kronik noktaları ele almak için aynı yol segmentinde.
  • [FONT=0)Süresellik terimleri:[Dönetici:[Dönetici:0)[[Dönetici:[Dönetici: · 1 ).

Özel mühendislik genellikle gelişim için en çok eleştirel bir parçasıdır. trafik güvenliği mühendislerinden gelen Domain bilgisi hangi etkileşimlerin önemli olduğunu gösterebilir. Otomatik özellik seçimi yöntemleri (örneğin, ağaç temelli modeller, recursive özellik ortadan kaldırılması) sonra adayı daraltın.

4. Model Seçimi ve Eğitim

Tek bir algoritma tüm senaryolara hükmedmiyor. Seçimler veri kümesine bağlıdır, yorumlanabilirlik gereksinimleri, hesaplama kaynaklarına ve gerçek zamanlı çıkarımlara ihtiyaç duyar. Tipik bir başlangıç noktası, DÜŞÜNCÜSÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜSÜŞÜNCÜSÜŞÜNLERİNİNLERİNİN (YÖYLEŞMELİĞİ) ve sayısal ağlarda çok büyük veri kümeslemeler için.

5. Geçerlilik ve Değerlendirme

Standart doğruluk ölçümleri yüksek dengesizlikli veriler için anlamsızdır. Bunun yerine, değerlendirme nadir tahmin için uygundur: 03.Dönetici:0)Uygunluk merkezi[Döneticileri)[Döneticileri)[Döneticileri)[Döneticileri)[Döneticileri)[Döneticileri) ile karşılaştırmak için aşağıdaki tabloyu gösterir.

  • [FONT:0) Kronolojik bölünme: [Dönetici: [Dönetici: 4] 2015-2019'da tren, 2020'de test.
  • [FONT:0]Spatial bölünmüş:[Dönem:[Dönem: 1) Tüm ilçeler veya bölgeler tutar.
  • [FONT:0) Pencereyi Çıkarmak: [Dönetici: [Dönetici: 1 yıl pencerede bir kayalık 3 yıl pencere üzerinde tren ve önümüzdeki yıl test.

6. İşsizlik ve İzleme

Bir kez doğrulandıktan sonra, model, mevcut verileri (örneğin, gerçek zamanlı hava beslemeleri, canlı trafik hızı) ve her yol segmenti veya kesişim için risk puanları dağıtılır. Bu puanlar, kontrol veya GraphQL API'si kullanarak interaktif bir haritada görselleştirilebilir.

Uygulama ve Faydaları

Tahmin edici modeller birçok şehirde operasyonel dağıtıma araştırmaların ötesine geçti. Notable applications şunları içerir:

  • [FONT:0]Targeted Execution:[Döneticileri] [Döneticileri] Polis departmanları, iki yıl boyunca yüksek riskli bölgelerden% 20 oranında azaltılan tahmin edici bir model belirledi.
  • [FONT:0)Infrastructure iyileştirmeler: [Döneticileri: [Döneticileri) Ulaşım departmanları, yol iyileştirmelerine öncelik verir – dönüş şeritlerini ekleyerek, işaretlenmeyi veya yuvarlak yukarı yüklemeyi - risk altında, sınırlı bütçeleri optimize etmeyi öngördü.
  • [FONT:0]Dynamic uyarı işaretleri:[Dynamic uyarı işaretleri:) Değişken mesaj işaretleri (VMS) negatif hava veya üst saat boyunca “Yüksek kaza riski bölgesine bakınız, gerçek zamanlı model çıktılarını yararlanın.
  • [FONT:0] Özerk bir araç güvenliği:[Dönetici:[Dönetici:0) Kendi sürüş araba geliştiricileri bu modelleri tarihsel olarak tehlikeli alanlarda önceden ayarlamayı ve mesafeyi takip etmeyi kullanır.
  • [FONT:0)Urban planlama:[Dönetici:[Dönetici:0) Şehir planlayıcıları, inşaat başlamadan önce yeni gelişmeler veya yol yeniden tasarımının muhtemel güvenlik etkisini değerlendiriyor, senaryo tabanlı model simülasyonları kullanarak.

Ekonomik geri dönüş önemlidir: [Üye Olmayan Otoyol Yönetimi) Hedef güvenlik iyileştirmeleri konusunda harcanan her dolar, düşük kazalardan tasarruf edilen 4 ila 20 dolar arasında tasarruf sağlar.

Meydanlar ve Sınırlar

Onların vaadine rağmen, kaza noktaları modelleri birkaç önemli zorlukla karşı karşıya.

Data Quality ve Müsaitlik Durumu

Birçok bölge güvenilir kaza veritabanına sahiptir.İhraman, kodlama hataları ve tutarsız geocoding modeli doğruluğu zayıflatır. Trafik hacmi verileri genellikle sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık kullanılan web siteleri (GDPR, eyalet düzeyinde biyometrik mahremiyet yasaları) mobil cihazlardan iyi erişim sağlar.

Sınıf Imbalance ve Nadir Etkinlikler

Kazalar yol-segment-hours sayısına göre nadirdir. Örneğin, tipik bir şehir kesişim birkaç milyon araç mil başına bir kaza görebilir. Bu tür skewed veriler üzerinde eğitilmiş modeller genellikle sıfır veya son derece düşük olasılıklara sahip olur, risk gradientleri ayırt etmeyi başarısız olur.

Spasal ve Temporal Non-Stationarity

Tahmin ediciler ve kaza riski arasındaki ilişki uzay veya zaman boyunca sürekli değildir. Bir şehirden gelen veriler üzerinde eğitilmiş bir model başka bir şehre genellemez. Bir şehir içinde, hız sınırının uygulanması veya yol yüzeyinin bozulması gibi faktörler önemlidir.

Yorumlama ve Fairness

Stakeholders – halk, politikacılar ve hukuk uygulamaları dahil – belirli bir yol segmentinin neden bayraklandığını anlamak için. Black-box derin öğrenme modelleri şeffaflık eksikliğinden yoksundur. SHAP (Shapley Katkı Açıklamaları) ve LIME dahil olmak üzere, bu topluluklara haksızlık yapabilir.

Future Yol ve Gelişen Trendler

Alan hızla gelişmektedir. Çeşitli kesim projeleri tahmin edici doğruluk ve operasyonel değer geliştirmek için hazırlanmaktadır.

Gerçek Zamanlı Çok Kaynakların Gerçekleştirilmesi

Bağlantılı araç teknolojisi (V2X), bireysel araç hareketlerinde gerçek zamanlı veriler, sert frenleme ve izin verilen olaylarla birlikte bu akışları tarihsel modellerle entegre etmek, anlık noktaları tespit edebilir. Edge Computing on roadside units can run hafif models to trigger countermeasures –e.g., flashing warning lights.

Dijital Twins ve Simülasyon

Dijital ikizlerin büyüme kullanımı - herhangi bir fiziksel çalışmadan önce, tasarruf maliyeti ve zaman tasarrufu.The Ritzive model which contains in a digital twin can evaluate the security impact of altyapı changes (e.g., remove a way) before any physical work, saving cost and time. Companies likeFLTRThroughWorks anduroughWorksPTV Group)

Dinamik Kaynak Allocation için Öğrenmek

Sadece noktaları tahmin etmek yerine, takviye öğrenme (RL) ajanları, uygulama devriyelerini nereye göndereceğini, geçici hız kameralarını dağıtmayı veya trafik sinyal zamanlamalarını risk azaltmayı seçebilirler. RL ajanı yüksek riskli zamanlarda kaynak kısıtlamaları ile algılamayı öğrenir. Erken deneylerin azaltılması kazada% 15 ila% 15 arasında azalır.

Causal Inference ve Counterfactual Predictions

Geometrinin ötesine geçmek, causal modeller “nasıl” soruları cevaplayabilir: Yeni bir trafik ışığı kurulsaydı risk azaltılır mıydı? Çift makine öğrenimi ve Kaliusal ormanlar gibi yöntemler kullanarak, bu modeller, olası korelasyonlardan ayrı ayrı ayrı ayrı korelasyonlar verebilir, daha iyi maliyet-nefit analizlerini sağlar.

Trafik Data Management için Directus ile başlayın

Organizasyonlar tahmin edici modeller için, çeşitli veri kaynaklarını yönetmek büyük bir engeldir. Direktus, açık kaynaklı bir CMS ve veri platformu olarak, bunu tek bir arayüze bağlanmak için basitleştirir ve birden fazla veritabanından veri sağlar.Pekizal bağlantılarla, yol segmentleri, kaza kayıtları ve trafik sensörleri, ve bunları modelleme hatlarıyla, modelleme hattınıza odaklanırken tek bir API ile ortaya koyar. Kullanıcı dostu panjurlar, doğrudan uygulama veya özel önbellekler aracılığıyla inşa edilebilir.

Trafik kaza noktaları için tahmin edici modeller gümüş bir mermi değil, ancak proaktif yol güvenliğine karşı güçlü bir değişim temsil ediyorlar. Güçlü veri mühendisliği, sofistike makine öğrenimi ve düşünceli dağıtım, şehirler ölçülebilir bir şekilde çarpışmaları, yaralanmalar ve ölümleri azaltabilirler. Veri kalitesi ve yeni teknolojiler olgunlaşırken, bu modeller şimdi nesiller için daha doğru ve harekete geçebilecek bir yatırımdır.