שיפור בטיחות הדרכים בערים חכמות באמצעות טכניקות למידת מכונה

מדוע רחובות בטוחים יותר חשובים לכולנו

בכל פעם שאנו יורדים מהמדרכה, רוכבים על אופניים או עוברים ברמזור בצומת, אנו נכנסים למערכת שבה טעות קטנה עלולה לשנות חיים. המחקר הזה שואל שאלה פשוטה אך חשובה: האם נוכל להשתמש בכלי נתונים מודרניים כדי לחזות אילו מצבים בכביש סביר שיגרמו לנזק חמור, ואז לתקן אותם לפני שהתרחשו התנגשות? על‑ידי השוואת רשומות תאונות אמיתיות מטורונטו בקנדה ומרוואלפינדי בפקיסטן, המחברים מראים כיצד רעיונות של עיר חכמה ולמידת מכונה יכולים להפוך מספרים גולמיים לשינויים מעשיים שמצילים חיים.

מבט קרוב על תאונות אמת

החוקרים אספו שתי אוספי גדולים של רשומות משטרתיות ושירותי חירום. האוסף הראשון, מטורונטו, עוקב אחרי אלפי התנגשות שבהן אנשים נהרגו או נפצעו קשה במשך יותר מעשור. האוסף השני, מרוואלפינדי, מכסה עשרות אלפי תאונות שדווחו לשירותי ההצלה של העיר במהלך תקופת הקורונה. כל רשומה כוללת פרטים כמו שעת היום, יום השבוע, סוג הכביש, תאורה ומזג אוויר, גילם ותפקידם של האנשים (נהג, רוכב אופניים, הולך רגל) ומה אירע ממש לפני הפגיעה, כמו מהירות מופרזת או נהיגה תוקפנית. לפני כל מודלינג, הצוות ניקה את הנתונים, טפל בערכים חסרים והמיר שדות טקסט רבים לצורה מספרית שהמחשבים יכולים להבין.

ללמד מחשבים לשפוט חומרת תאונה

המטרה הראשונה היתה לחזות עד כמה אנשים ייפגעו בתאונה נתונה. לשם כך בחנו המחברים מגוון רחב של שיטות למידת מכונה, מכלים קלאסיים כמו "יערות" של עצי החלטה ועד לרשתות עמוקות מורכבות המופעלות לעתים בזיהוי דיבור או תמונה. הם אילפו (אימנו) את המודלים על חלק מהנתונים ובדקו את יכולתם על החלק הנותר, וביקשו מכל מודל למיין תאונות לקטגוריות כגון ללא פגיעה, פגיעה קלה, פגיעה קשה או קטלנית. מתוך כל הגישות, שניים בלטו: XGBoost ו‑Random Forest, שניהם משלבים מספר עצי החלטה פשוטים ל"וועדה" חזקה יותר. אפילו בלי כיוונון מקיף, מודלים אלה סיווגו נכונה את רמות הפגיעה בכ־שלושת הרבעים מהמקרים בטורונטו; לאחר כוונון מדוקדק, Random Forest הפך בדיוק יוצא דופן על נתוני האימון.

גילוי דפוסים נסתרים שמעוררים נזק חמור

חיזוי לבדו אינו אומר לרשויות מה לשנות בשטח, לכן המטרה השנייה היתה לחשוף צירופי תנאים שחוזרים על עצמם בתאונות קשות. לשם כך השתמשו החוקרים בכריית כללי אסוציאציה, טכניקה שמ筛ת נתונים עבור דפוסי "אם‑אז". בשתי הערים הופיעו שוב ושוב רכיבים מסוימים במקרים שבהם אנשים נפגעו קשה: מהירות מופרזת, נהיגה תוקפנית או רשלנית, אובדן שליטה של הנהג, חוסר תשומת לב והתנגשויות עם הולכי רגל או רוכבי אופנועים. היעדר בקרה תעבורתית בכבישים ראשיים ובצמתים עמוסים גם הוא זוהה כגורם סיכון מרכזי. בנתוני רוואלפינדי, נהיגה בלילה, מזג אוויר גשום ושימוש גבוה באופנועים בסופי השבוע נקשרו במיוחד לשברים יחידים ופציעות אחרות; בטורונטו מצבים מסוכנים התרכזו לעתים בשכונות ובזמני השבוע מסוימים.

ערים שונות, מסקנות משותפות

בהשוואה בין עיר אמריקאית‑צפון עשירה לעיר דרום‑אסייתית מהירה בצמיחה, המחקר מציג גם ייחודים מקומיים וגם בעיות אוניברסליות. הרשומות מפקיסטן חושפות תאונות קשות רבות בקרב רוכבים צעירים מאוד המשתמשים באופנועים כאמצעי תחבורה יומיומי, לעתים ללא קסדות ועל דרכים מוארות באופן גרוע. הנתונים מקנדה, בניגוד לכך, מצביעים יותר על סיכונים שאיתם מתמודדים הולכים ברגל ורוכבי אופניים בשכונות עירוניות, שבהן רכבים פונים ונהיגה תוקפנית בצמתים נפוצים. למרות ההבדלים הללו, שתי המדינות מראות תועלות ברורות ממתן תשומת לב להתנהגות הנהג, מהירות בטוחה יותר ועיצוב טוב יותר של מעברי חציה להולכי רגל ולרוכבים.

הפיכת תובנות לנסיעות בטוחות יותר

במובן פשוט, העבודה ממחישה שמחשבים יכולים ללמוד מתאונות עבר כדי לסמן מתי והיכן סביר שהפגיעה החמורה הבאה תתרחש, ואילו הרגלים רעים או נקודות תורפה בתשתית הכביש אשמים בכך. מודלים של למידת מכונה כמו XGBoost ו‑Random Forest יכולים להיות משולבים במערכות עיר חכמה הצופות תנועה בזמן אמת, מסייעות לשירותי החירום לתת עדיפות למקרים המסוכנים ביותר ומנחות מתכננים לתיקונים ממוקדים כגון רמזורים, אכיפת מהירות, תאורה והסברה לנהגים צעירים. אמנם המחקר מוגבל לשתי ערים ומתמודד עם אתגרים כמו נתונים בלתי מאוזנים, אך הוא מציע תבנית מעשית: לשלב רשומות תאונות גדולות ועשירות מהעולם האמיתי עם ניתוח נתונים מודרני, ולהשתמש בתוצאות לעיצוב כבישים וחוקים שמגנים על כולנו באופן שקט בכל פעם שאנו נוסעים.

ציטוט: Abid, M.S., Hussain, M., Nabi, S. et al. Improving road safety in smart cities using machine learning techniques. Sci Rep 16, 10793 (2026). https://doi.org/10.1038/s41598-026-36795-6

מילות מפתח: בטיחות בדרכים, תאונות דרכים, ערים חכמות, למידת מכונה, חיזוי פציעות