Verbetering van de verkeersveiligheid in slimme steden met machinelearningtechnieken

Waarom veiligere straten voor iedereen belangrijk zijn

Elke keer dat we van de stoep stappen, fietsen of een kruising passeren, betreden we een systeem waarin kleine fouten ingrijpende gevolgen kunnen hebben. Deze studie stelt een eenvoudige maar cruciale vraag: kunnen we moderne data‑instrumenten gebruiken om te voorspellen welke verkeerssituaties het meest waarschijnlijk tot ernstig letsel leiden, en die vervolgens verhelpen voordat ongevallen gebeuren? Door echte ongevallendossiers uit Toronto (Canada) en Rawalpindi (Pakistan) te vergelijken, laten de auteurs zien hoe slimme‑stad‑ideeën en machine learning ruwe cijfers kunnen omzetten in praktische maatregelen die levens besparen.

Nauwkeurig kijken naar echte crashes

De onderzoekers verzamelden twee grote verzamelingen van politie‑ en alarmdienstenregistraties. Eén, uit Toronto, volgt duizenden botsingen waarbij mensen zijn overleden of ernstig gewond raakten over meer dan een decennium. De andere, uit Rawalpindi, bestrijkt tienduizenden ongevallen die tijdens de COVID‑19‑periode bij de stedelijke reddingsdienst zijn gemeld. Elk dossier bevat details zoals tijd van de dag, dag van de week, wegtype, verlichting en weer, leeftijden en rollen van betrokkenen (bestuurder, fietser, voetganger), en wat er net voor de botsing gebeurde, zoals snelheidsovertreding of agressief rijgedrag. Voor het modelleren ruimde het team de data op, ging het om met ontbrekende waarden en zette het veel tekstvelden om naar numerieke vormen die computers kunnen verwerken.

Computers leren de ernst van ongevallen inschatten

Het eerste doel was voorspellen hoe ernstig mensen bij een gegeven aanrijding gewond zouden raken. Hiervoor testten de auteurs een breed scala aan machine‑learningmethoden, van klassieke hulpmiddelen zoals beslisboom‑“bossen” tot complexere deep‑learningnetwerken die vaak worden gebruikt voor spraak‑ of beeldherkenning. Ze trainden deze modellen op een deel van de data en controleerden hun prestaties op de rest, waarbij elk model ongevallen indeelde in categorieën zoals geen letsel, licht letsel, ernstig letsel of dodelijk. Twee methoden staken er bovenuit: XGBoost en Random Forest, beide technieken die veel eenvoudige beslisbomen combineren tot een sterker “comité”. Zelfs zonder intensieve afstemming classificeerden deze modellen de letselniveaus voor ongeveer driekwart van de Toronto‑gevallen correct; na zorgvuldige afstemming werd Random Forest in het bijzonder extreem accuraat op de trainingsdata.

Verborgen patronen achter ernstig letsel ontdekken

Voorspellen alleen vertelt beleidsmakers niet wat ze concreet moeten veranderen, dus was het tweede doel combinaties van omstandigheden te vinden die herhaaldelijk bij ernstige ongevallen voorkomen. Daarvoor gebruikte het team association‑rule mining, een techniek die data doorzoekt op “als‑dit‑dan‑dat”‑patronen. In beide steden kwamen bepaalde ingrediënten steeds terug waar mensen ernstig gewond raakten: snelheid, agressief of roekeloos rijgedrag, bestuurders die de controle verloren, onoplettendheid en aanrijdingen waarbij voetgangers of motorrijders betrokken waren. Het ontbreken van verkeersregeling op grotere wegen en drukke kruisingen bleek ook een belangrijke risicofactor. In Rawalpindi waren nachtelijk rijden, regenachtig weer en veel motorfietsgebruik in het weekend sterk verbonden met enkelbreuken en andere verwondingen; in Toronto concentreerden gevaarlijke situaties zich vaak rond bepaalde wijken en tijden in de week.

Verschillende steden, gedeelde lessen

Door een hooginkomensstad in Noord‑Amerika te vergelijken met een snelgroeiende stad in Zuid‑Azië toont de studie zowel lokale eigenaardigheden als universele problemen. De Pakistaanse gegevens laten veel ernstige ongevallen zien onder zeer jonge motorrijders die motorfietsen als dagelijks vervoer gebruiken, vaak zonder helm en op slecht verlichte wegen. De Canadese data wijst daarentegen sterker op bedreigingen voor voetgangers en fietsers in stedelijke wijken, waar draaiende voertuigen en agressief rijgedrag bij kruisingen vaak voorkomen. Ondanks deze verschillen laten beide landen duidelijke voordelen zien van maatregelen gericht op rijgedrag, veiligere snelheden en beter ontworpen oversteekplaatsen voor voetgangers en fietsers.

Inzichten omzetten in veiligere reizen

Eenvoudig gezegd toont het werk aan dat computers van eerdere ongevallen kunnen leren om te signaleren wanneer en waar het volgende ernstige letsel het meest waarschijnlijk is, en welke slechte gewoonten of zwakke plekken in het wegennet de oorzaak zijn. Machine‑learningmodellen zoals XGBoost en Random Forest kunnen ingebouwd worden in slimme‑stadsystemen die het verkeer realtime monitoren, hulpdiensten helpen prioriteren bij de gevaarlijkste incidenten en planners leiden naar gerichte oplossingen zoals verkeerslichten, snelheidshandhaving, verlichting en voorlichting voor jonge bestuurders. Hoewel de studie beperkt is tot twee steden en te maken heeft met uitdagingen zoals onevenwichtige data, biedt zij een praktisch stappenplan: combineer grote, realistische ongevallendatasets met moderne dataanalyse en gebruik de resultaten om wegen en regels zo te ontwerpen dat ze ons telkens stilletjes beschermen tijdens het reizen.

Bronvermelding: 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

Trefwoorden: verkeersveiligheid, verkeersongevallen, slimme steden, machine learning, verwachting van letsel