Резкое торможение как индикатор риска дорожно-транспортных происшествий на отдельных участках дороги.

Мы установили положительную взаимосвязь между резкими торможениями (РТБ), зафиксированными с помощью Android Auto, и фактической частотой аварий на отдельных участках дорог. Мы подтвердили, что дороги с более высокой частотой РТБ имеют значительно более высокий риск аварий, и предположили, что такие события могут использоваться в качестве опережающих показателей для оценки безопасности дорожного движения.

Быстрые ссылки

• Бумага
• Делиться
  • Скопировать ссылку ×

Традиционно оценка безопасности дорожного движения основывалась на статистике дорожно-транспортных происшествий, сообщаемой полицией, которая часто считается «золотым стандартом», поскольку она напрямую коррелирует со смертельными исходами, травмами и материальным ущербом. Однако использование исторических данных о ДТП для прогностического моделирования сопряжено со значительными трудностями, поскольку такие данные по своей природе являются «запаздывающим» индикатором. Кроме того, ДТП статистически редки на магистральных и местных дорогах, поэтому для накопления достаточного количества данных для создания достоверного профиля безопасности для конкретного участка дороги могут потребоваться годы. Эта нехватка данных в сочетании с непоследовательными стандартами отчетности в разных регионах усложняет разработку надежных моделей прогнозирования риска. Проактивная оценка безопасности требует «опережающих» показателей: косвенных показателей риска ДТП, которые коррелируют с результатами в области безопасности, но происходят чаще, чем сами ДТП.

В статье «От отстающих к лидирующим: проверка эффективности резких торможений как высокоплотных индикаторов риска аварий в сегменте» мы оцениваем эффективность резких торможений (РТБ) как масштабируемого заменителя риска аварий. РТБ — это случай, когда замедление транспортного средства превышает определенный порог (-3 м/с²), что мы интерпретируем как маневр уклонения. РТБ облегчают анализ в масштабах всей сети, поскольку они получены из данных подключенных транспортных средств, в отличие от индикаторов, основанных на близости, таких как время до столкновения, которые часто требуют использования стационарных датчиков. Мы установили статистически значимую положительную корреляцию между частотой аварий (любого уровня тяжести) и частотой РТБ, объединив общедоступные данные об авариях из Вирджинии и Калифорнии с анонимизированной агрегированной информацией о РТБ с платформы Android Auto.

Плотность данных

Для подтверждения полезности этого показателя мы проанализировали данные о дорожно-транспортных происшествиях за 10 лет, а также агрегированные измерения HBE (показателей безопасности дорожного движения). Непосредственное преимущество HBE заключается в плотности сигнала. Наш анализ участков дорог в Калифорнии и Вирджинии показал, что количество участков с наблюдаемыми HBE в 18 раз превышает количество участков с зарегистрированными авариями. В то время как данные об авариях, как известно, крайне скудны — для наблюдения за одним событием на некоторых местных дорогах требуются годы — HBE обеспечивают непрерывный поток данных, эффективно заполняя пробелы в карте безопасности.

Случаи повреждения головного мозга наблюдаются на 18-кратном большем количестве участков дорог по сравнению с зарегистрированными дорожно-транспортными происшествиями.

Статистическая проверка

Основная цель заключалась в определении того, существует ли причинно-следственная связь между высокой частотой случаев травм, связанных с безопасностью дорожного движения, и высоким уровнем аварийности. Для учета более высокой степени дисперсии, чем обычно встречается в данных об авариях, мы использовали модели отрицательной биномиальной регрессии (NB), стандартный подход, описанный в Руководстве по безопасности дорожного движения (HSM).

В структуре нашей модели учитывались различные факторы, влияющие на результат, в том числе:

• Факторы воздействия: объем трафика и длина сегмента.
• Инфраструктура: тип дороги (местная, магистральная, автомагистраль), уклон и суммарный угол поворота.
• Динамика: наличие съездов и изменение количества полос движения.

Результаты продемонстрировали статистически значимую связь между частотой резкого торможения и количеством аварий в обоих штатах. На участках дорог с более высокой частотой резкого торможения неизменно наблюдалась более высокая частота аварий, и эта зависимость сохраняется для разных типов дорог, от местных магистралей до автомагистралей с регулируемым доступом.

Соотношение количества аварий и уровня смертности на дорогах различных типов в Калифорнии и Вирджинии.

Регрессионный анализ также позволил количественно оценить влияние конкретных элементов инфраструктуры. Например, наличие съезда на участке дороги положительно коррелировало с риском аварий в обоих штатах, вероятно, из-за маневров перестроения, необходимых для слияния потоков движения.

Пример из практики: Выявление слияний с высоким риском

Для наглядного представления практического применения этого показателя мы изучили участок слияния автомагистралей в Калифорнии, соединяющий шоссе 101 и шоссе 880. Исторические данные показывают, что на этом участке частота аварий с участием автомобилей примерно в 70 раз выше, чем на среднем по автомагистралям Калифорнии, и в среднем одна авария происходит каждые шесть недель на протяжении десяти лет.

На участке автомагистрали в районе залива Сан-Франциско в Калифорнии происходит одно ДТП каждые шесть недель, а уровень смертности среди инвалидов в 70 раз выше среднего.

Анализируя данные о подключенных транспортных средствах в этом районе, мы обнаружили, что он входит в 1% самых опасных участков дорог по частоте аварий с высоким риском. Сигнал HBE успешно выявил это отклонение, не полагаясь на десятилетнюю историю сообщений об авариях, которая потребовалась бы для статистического подтверждения риска. Это подтверждает, что HBE являются надежным индикатором, способным выявлять места с высоким риском даже при отсутствии долгосрочной истории столкновений.

Применение в реальных условиях

Подтверждение надежности показателей поведения водителя в дорожно-транспортных происшествиях (HBE) позволяет превратить необработанные данные с датчиков в надежный инструмент обеспечения безопасности дорожного движения. Это подтверждение поддерживает использование данных подключенных транспортных средств для оценки безопасности дорожного движения в масштабах всей сети, обеспечивая повышенную пространственную и временную детализацию. Хотя эти результаты указывают на их полезность для определения риска на отдельных участках дорог, они не позволяют сделать выводы о риске, зависящем от местоположения и характера поведения водителя.

Команда Mobility AI в Google Research сотрудничает с платформой Google Maps для вывода этих наборов данных HBE на внешний носитель в рамках предложения Roads Management Insights. Интеграция этих данных высокой плотности позволяет транспортным агентствам получать доступ к агрегированным, анонимизированным данным, которые значительно актуальнее и охватывают более широкий спектр дорожной сети по сравнению с традиционной статистикой ДТП. Это позволяет выявлять места с высоким риском, используя опережающие индикаторы, а не полагаясь исключительно на запаздывающие и разрозненные данные о столкновениях.

Дальнейшая работа

Хотя данное исследование подтверждает, что высокоплотные транспортные потоки являются надежным опережающим индикатором риска дорожно-транспортных происшествий, существуют возможности для дальнейшего уточнения этого сигнала. В настоящее время мы изучаем механизмы пространственной кластеризации однородных участков дорог для дальнейшего уменьшения разреженности данных. Устранение этих ограничений позволит перейти от выявления рисков к целенаправленному проектированию, где данные высокой плотности будут использоваться для конкретных инфраструктурных мероприятий, начиная от корректировки времени работы светофоров и улучшения дорожных знаков до геометрической перепроектировки полос слияния с полосами повышенного риска.

Благодарности

Эта работа стала результатом совместной работы исследователей из Google и Вирджинского технологического университета. Мы благодарим наших соавторов Шантану Шахане, Шошану Вассерман, Каролину Осорио, И-фаня Чена, Ивана Кузнецова, Кристин Уайт, Юстину Сватковскую и Фэн Го. Мы также выражаем признательность Авроре Ченг, Эндрю Стоберу, Реймунду Думлао и Нику Кану за их вклад в практическое применение результатов этого исследования.

Источник: research.google